基于密度回归估计的细胞计数方法研究

作     者：丁媛媛 

作者单位：山东师范大学 

学位级别：硕士

导师姓名：郑元杰

授予年度：2023年

学科分类：100208[医学-临床检验诊断学] 1002[医学-临床医学] 08[工学] 080203[工学-机械设计及理论] 0802[工学-机械工程] 10[医学] 

主      题：细胞计数 密度回归 损失函数 卷积神经网络 

摘      要：近年来,医学图像处理在医学诊断任务中变得越来越重要,生物学和医学中的许多工作需要通过显微细胞图像计算细胞数目,帮助医疗过程中进行对疾病的诊断和选择适当的治疗方法。随着计算机视觉领域的发展,医学诊断研究等工作越来越多的应用到成像仪来对图像中的细胞计数,然而准确计算图像中细胞的数量是一项具有挑战性的任务,由于细胞大小和形状会随着时间发生显著变化,以及图像中的细胞分布较密集,会出现相互遮挡、粘连等情况,准确的计算细胞图像中的数目是非常困难的。为了解决这些问题,许多现有工作使用密度回归估计的方法来计算细胞图像中的细胞数目,将输入模型的细胞图像通过深度学习等技术转换为预测密度图,之后对预测密度图进行回归计数来估计图像中的细胞数目,密度回归估计的方法对于图像中细胞数目的计算比检测方法有着更高的准确度。因此本文对基于密度回归估计的方法计算图像中细胞数目的工作展开研究,考虑到传统的基于密度回归估计的方法中会造成误差的因素,本文提出两种方法来解决上述问题,本文的创新点和贡献主要包括以下两点:(1)通过直接学习从预测计数图到注释图的映射的方法来对图像中的细胞计数,以此来避免由高斯核生成地面真值(ground truth)预测密度图的过程对结果的影响,使用贝叶斯算法来优化损失函数,从数据集中的注释来构建密度贡献概率模型,通过对每个像素对计数的贡献概率和估计密度的乘积求和,来计算每个注释点的期望计数。(2)使用一种基于最优传输理论的损失函数,该算法将细胞计数视为概率分布问题,将密度值映射和二进制点注释转换为概率密度函数,并测量它们之间的差别,通过这种方式来可靠地监督计数器生成预测计数图,并将熵正则化约束项添加到损失函数中,以提高训练过程的稳定性,并使预测计数图更接近注释图。为了证明方法的有效性,本文在三个公开可用的细胞计数基准上进行评估,分别为合成荧光显微镜(VGG)数据集、改良骨髓(MBM)数据集和人类皮下脂肪组织(ADI)数据集,实验结果表明,本文的方法在这三个数据集上都展示出了与现有工作最优结果相当或优于最好结果的表现。