顯微圖像處理與分析

前言
第1章 緒論
1.1 背景及意義
1.1.1 研究背景
1.1.2 研究意義
1.2 細(xì)胞檢測(cè)計(jì)數(shù)研究現(xiàn)狀
1.2.1 研究現(xiàn)狀
1.2.2 常用顯微鏡
l.2.3 細(xì)胞檢測(cè)一般工作流程
1.3 神經(jīng)元細(xì)胞檢測(cè)與解剖結(jié)構(gòu)重建研究現(xiàn)狀
1.3.1 神經(jīng)元細(xì)胞重建發(fā)展簡(jiǎn)史
1.3.2 神經(jīng)元細(xì)胞重建研究現(xiàn)狀
l.3.3 神經(jīng)元細(xì)胞重建流程
1.4 收斂指數(shù)家族研究現(xiàn)狀
1.4.1 收斂指數(shù)理論簡(jiǎn)述
l.4.2 收斂指數(shù)濾波家族成員
1.5 病理自動(dòng)診斷研究現(xiàn)狀
1.6 基于病變區(qū)域圖像特征的數(shù)據(jù)擴(kuò)增與虛擬病例
1.7 病理圖像細(xì)胞檢測(cè)和計(jì)數(shù)方法
1.8 病理圖像切片檢測(cè)與分割方法
1.9 camlyon乳腺癌淋巴轉(zhuǎn)移病理數(shù)據(jù)集
1.9.1 病理圖像來(lái)源
1.9.2 病理圖像特點(diǎn)
1.10 病理圖像全切片類型
1.10.1 區(qū)域類型
1.10.2 全掃描切片分型
第2章 基于滑動(dòng)帶濾波的高密度細(xì)胞檢測(cè)與計(jì)數(shù)
2.1 引言
2.2 DNA染料與視網(wǎng)膜感光細(xì)胞
2.2.1 DNA染料
2.2.2 視網(wǎng)膜感光細(xì)胞
2.3 高密度細(xì)胞及其計(jì)數(shù)
2.4 細(xì)胞數(shù)據(jù)
2.4.1 數(shù)據(jù)來(lái)源
2.4.2 圖像數(shù)據(jù)采集方式
2.4.3 細(xì)胞圖像特點(diǎn)
2.5 基于滑動(dòng)帶濾波的高密度細(xì)胞檢測(cè)方法
2.5.1 滑動(dòng)帶濾波器
2.5.2 細(xì)胞檢測(cè)算法
2.5.3 細(xì)胞檢測(cè)性能評(píng)估方法
2.6 實(shí)驗(yàn)結(jié)果與分析
2.6.1 參數(shù)設(shè)計(jì)與選擇
2.6.2 細(xì)胞檢測(cè)實(shí)驗(yàn)結(jié)果分析
2.6.3 同類方法比較結(jié)果
第3章 基于修飾滑動(dòng)帶濾波的明亮視野昆蟲細(xì)胞檢測(cè)與計(jì)數(shù)
3.1 引言
3.2 細(xì)胞數(shù)據(jù)來(lái)源、制備與獲取
3.2.1 桿狀病毒表達(dá)體系
3.2.2 基于血球計(jì)數(shù)板的細(xì)胞計(jì)數(shù)
3.2.3 昆蟲細(xì)胞培養(yǎng)
3.2.4 昆蟲細(xì)胞圖像數(shù)據(jù)采集
3.3 基于修飾滑動(dòng)帶濾波的細(xì)胞檢測(cè)方法
3.3.1 流程及評(píng)估方法
3.3.2 明暗視野下細(xì)胞圖像比較
3.3.3 基于修飾滑動(dòng)帶濾波的明亮視野細(xì)胞計(jì)數(shù)算
3.4 實(shí)驗(yàn)結(jié)果寫分析
321參數(shù)設(shè)計(jì)與選擇
3.4.2 細(xì)胞檢測(cè)結(jié)果分析與同類方法比較
第4章 神經(jīng)元細(xì)胞三維圖像預(yù)處理與種子點(diǎn)檢測(cè)
4.1 引言
4.2 數(shù)據(jù)集預(yù)處理
4.2.1 數(shù)據(jù)集
4.2.2 管狀濾波器(Vesselness)增強(qiáng)
4.2.3 三維梯度向量流
4.3 基于滑動(dòng)體濾波的神經(jīng)元細(xì)胞種子點(diǎn)檢測(cè)方法
4.3.1 空間收斂指數(shù)
4.3.2 滑動(dòng)體濾波器
4.3.3 種子點(diǎn)篩選
4.4 實(shí)驗(yàn)結(jié)果與分析
4.4.1 圖像可視化及預(yù)處理結(jié)果
4.4.2 種子點(diǎn)篩選結(jié)果比較與分析
第5章 基于骨架的神經(jīng)元細(xì)胞解剖結(jié)構(gòu)重建
5.1 引言
5.2 活動(dòng)輪廓模型概述
5.2.1 2D活動(dòng)輪廓模型
5.2.2 2D GVF Snake模型
5.2.3 3D可變曲面模型
5.2.4 開(kāi)放曲線模型
5.3 SVF外力場(chǎng)開(kāi)放曲線模型與神經(jīng)元細(xì)胞骨架重建
5.3.1 模型設(shè)計(jì)
5.3.2 重建算法描述
5.4 基于2D滑動(dòng)帶的神經(jīng)元細(xì)胞半徑邊緣估計(jì)
5.4.1 傳統(tǒng)神經(jīng)元半徑估計(jì)方法
5.4.2 基于2D滑動(dòng)帶的神經(jīng)元半徑估計(jì)方法
5.5 基于輪廓線的神經(jīng)元細(xì)胞表面重建
5.5.1 輪廓線表示
5.5.2 神經(jīng)元細(xì)胞表面生成與平滑
5.6 實(shí)驗(yàn)結(jié)果與分析
5.6.1 參數(shù)選擇
5.6.2 實(shí)驗(yàn)結(jié)果分析
第6章 多尺度癌癥區(qū)域識(shí)別
6.1 基于閾值分割的高尺度組織區(qū)域提取
6.1.1 色彩空間轉(zhuǎn)換
6.1 _2分割算法
6.1.3 實(shí)驗(yàn)結(jié)果與分析
6.2 基于目標(biāo)檢測(cè)網(wǎng)絡(luò)的中尺度癌癥區(qū)域檢測(cè)
6.2.1 目標(biāo)檢測(cè)網(wǎng)絡(luò)結(jié)構(gòu)
6.2.2 數(shù)據(jù)準(zhǔn)備及參數(shù)設(shè)置
6.2.3 實(shí)驗(yàn)結(jié)果與分析
6.3 基于圖像分類網(wǎng)絡(luò)的低尺度癌細(xì)胞切片分類
6.3.1 分類網(wǎng)絡(luò)結(jié)構(gòu)
6.3.2 數(shù)據(jù)準(zhǔn)備及參數(shù)設(shè)置
6.3.3 實(shí)驗(yàn)結(jié)果與分析
第7章 多尺度雙水平腫瘤區(qū)域檢測(cè)
7.1 引言
7.2 數(shù)據(jù)集的選擇與預(yù)處理
7.3 切片水平的多尺度病變區(qū)域檢測(cè)與網(wǎng)絡(luò)設(shè)計(jì)
7.4 組織水平癌癥區(qū)域檢測(cè)
7.5 細(xì)胞水平的癌細(xì)胞檢測(cè)及病變區(qū)域劃分
7.6 細(xì)胞水平檢測(cè)方法評(píng)估及結(jié)果
第8章 基于深度卷積生成對(duì)抗網(wǎng)絡(luò)的虛擬病例庫(kù)構(gòu)建
8.1 構(gòu)建方法與步驟
8.1.1 生成氈抗網(wǎng)絡(luò)
8.1.2 深度卷積生成對(duì)抗網(wǎng)絡(luò)
8.1.3 構(gòu)建虛擬病例庫(kù)
8.2 采樣方式與參數(shù)說(shuō)明
8.2.1 采樣方式
8.2.2 參數(shù)說(shuō)明
8.3 實(shí)驗(yàn)過(guò)程
8.3.1 參數(shù)設(shè)置
8.3.2 中間結(jié)果
8.3.3 時(shí)間效率
8.4 生成結(jié)果與分析
8.4.1 各區(qū)域類型生成結(jié)果
8.4.2 不同切片邊長(zhǎng)生成結(jié)果
參考文獻(xiàn)