一、利用通用图像处理软件扩展生物医学图像分析系统功能（论文文献综述）
吴悠[1]（2021）在《面向显微细胞图像的通用算法平台研究》文中进行了进一步梳理随着现代显微成像技术的不断发展,研究人员每天可收集成千上万高分辨率的细胞图像。对于这些图像的处理与分析,现有的基于本地计算资源的细胞图像分析软件可利用计算机图像处理技术对细胞图像进行自动化识别和定量分析,但仍存在数据共享不易,不支持团队协作,定制处理新细胞类型的算法方案难度较高等问题。因此,本文从生物医学研究发展的需求出发,研究基于浏览器/服务器（Browser/Server,B/S）架构的面向显微细胞图像的算法平台,为科研人员提供一个功能丰富、易于学习、灵活多变且支持团队协作及用户自定义算法的细胞图像处理软件工具。主要工作如下:（1）将研究人员的需求抽象为系统的基本功能模块,根据功能模块进行系统分层架构及数据库设计。平台支持团队合作,提供完善的团队权限管理和项目进度管理功能,用户可组建团队共享数据算法实现协作处理。（2）平台集成了面向细胞图像的传统算法和深度学习算法,将其封装为带有可调参数的算法组件,用户可动态调用。平台支持具有一定图像处理基础的用户自定义算法解决方案,通过拖拽和连线封装的算法组件即可完成算法方案搭建,从而实现快速的算法验证。自定义算法可以保存以便分析重现、重复使用和团队共享。（3）通过荧光显微图像中的纤毛及细胞核检测实验及电子显微图像中的线粒体及膜结构分割实验对平台进行功能验证。检测实验使用传统图像处理算法,在自定义算法界面上完成算法搭建和测试,并通过平台的可视化工具完成数据分析。分割实验采用深度学习算法,其中的线粒体分割实验标注了小批量数据,在平台提供的深度学习训练平台上完成模型训练,将训练后的分割模型应用于后续数据处理。
应梦婷[2]（2020）在《面向机器学习的细胞三维标注技术研究》文中指出机器学习尤其是深度学习的发展极大提高了图像解释能力,并改变着细胞生物图像的分析和理解,这种突破也是智能细胞生物分析的基础。基于深度学习的细胞生物图像分析有三个组成部分:建立标注的训练数据集、有效的模型训练及模型的部署应用,因此需要生成原始显微图像的标注数据。针对此问题,本论文从标注数据集构建方法入手,设计了一个集成多种标注形式,自动化显微图像处理、可交互数据标注的细胞数据标注系统,并应用该系统对电子显微图像与荧光显微图像中的目标物标注进行了实验,主要内容如下:（1）对生物细胞领域的包括荧光显微镜和电子显微成像的几种典型成像方式的图像成像特点进行了分析,并结合细胞图像的标注形式及适用场景,提出了一种标注方案。（2）在标注方案基础上,设计了 一种细胞显微图像标注系统。该系统不仅支持手动标注,也支持利用系统集成算法进行人工干预的半自动标注,大幅提升标注效率。标注数据和算法模块部分共同构成了细胞三维标注系统。（3）应用标注系统进行面向深度学习分割应用的标注实验。在荧光显微图像中细胞器的标注,以可视化的交互式算法处理构建方式,利用多种参数可调的形态滤波器进行目标结构的提取,直接生成三维亚细胞结构标注数据集。在电子显微图像中采用深度学习的方法,以模型提取目标结构特征生成对线粒体与膜结构的标注预测,提升二维手动标注效率。
李衡[3]（2018）在《细胞视频图像动态形变度量及分类关键技术研究》文中认为细胞的形态特征与细胞生理紧密相关,是生物医学研究中的重要观察目标之一,被广泛应用于生理组织和器官的状态检测。近年来,医学影像技术和计算机技术的飞速发展极大地推动了显微成像技术和细胞图像处理技术的进步,越来越多的研究工作开始着眼于的细胞形态变化。细胞的形态变化能够为研究者提供更多细胞相关生理信息,其中细胞短时间内的动态形变更能快速、直接地反映细胞生理的状态和活动信息,但是如何有效处理和分析细胞动态形变也成为细胞图像处理领域新的挑战。因此,度量和分类细胞动态形变对细胞生物学研究具有重要意义。本文以显微视频数据中T淋巴细胞的形态变化为对象,建立细胞动态形变数据库及预处理框架,设计图像特征提取算法处理细胞动态形变,根据细胞视频图像形变特性提出基于时序特征的动态形变度量和分类算法,引入深度学习算法自动提取细胞形变特征并分类。论文的主要工作和研究成果主要体现在以下几个方面。1.建立了细胞动态形变数据库和预处理框架。通过与北京佑安医院合作,采集细胞动态形变视频数据,并对数据进行筛选和标记。针对细胞动态形变数据特性,设计出一套能够有效保持动态形变关键信息的数据预处理框架,对细胞进行尺度归一化和姿态对齐。通过采集实验数据和预处理,建立细胞动态形变数据库,为后续的研究工作及算法验证打好基础。2.开发出一种能够有效识别彩色图像的四元数通用傅里叶描述子。结合图像特征和四元数,开发出一种能够处理图像彩色信息的四元数通用傅里叶描述子,在彩色图像特征提取和目标识别中取得了突出效果。将四元数通用傅里叶描述子及多种图像特征应用于细胞动态形变度量和分类研究,测试和分析各图像特征在提取细胞形变信息时的效果,并总结算法的优势和不足。发现了细胞动态形变数据的特点,明确了细胞动态形变处理算法需要解决的问题,为研发细胞动态形变信息提取算法指明了方向。3.提出了针对细胞视频图像动态形变的时序特征提取和分析算法。针对细胞动态形变的时序特性和空间不一致性,分别提出三种提取动态形变特征的方法。首先,针对细胞形变度量特征选取的问题,提出一种基于匹配游程统计的算法,利用能量函数直接量化细胞形态间的相似度,并通过游程统计提取细胞形变的时序信息。随后,根据对淋巴细胞动态形变数据的观察和对图像特征的研究,提出一种可以描述细胞局部形变时序特性的算法,充分考虑动态形变空时特性,更好地量化形变信息。最后,以细胞局部形变特征为基础,结合无监督学习算法,发现细胞的局部形变模式,简化形变特征同时提高动态形变特征提取的效果。实验结果表明,与基于图像特征的算法相比,所提的三种算法利用时间信息能更精准地描述细动态形变,通过提取局部形变特征可以更好地度量动态形变,无监督学习发掘出细胞的局部形变模式提高了动态形变分析和分类的准确性及稳定性。4.引入了深度学习技术自动提取细胞动态形态特征并分类。鉴于深度学习在图像处理中的突出表现,通过转换实验数据格式将卷积神经网络引入细胞动态形变研究中。针对动态形变视频数据维度高、数据量小的问题,提出一种提取细胞轮廓谱的方法,将细胞形变的关键信息映射到二维图像上降低数据维度,并提出相应的数据增强方法,极大地提高数据量。随后,将生成的细胞轮廓谱作为卷积神经网络的输入,应用深度学习解决细胞动态形变分类问题。为了全面测试卷积神经网络的效果,在建立的两个细胞动态形变数据集上分别实验了三种使用卷积神经网络的方法。实验结果表明,利用提取的细胞轮廓谱,卷积神经网络能够自动学习动态形变特征并进行分类,表现出强大的数据分析和处理能力,迁移学习方法能使卷积神经网络在细胞动态形变分类上能表现出最佳效果。
薄立华,郭志良,崔亚南[4]（2003）在《生物医学图像分析工作者应具备的计算机基本技能》文中指出本文从实际应用的角度,简要论述了计算机管理、维护及使用的一些基本技能和方法,旨在帮助广大非计算机专业的生物医学图像分析工作者掌握一些必要的计算机基本技能,以利于生物医学图像分析工作的展开与发展。
薄立华,张桂珍,崔亚南[5]（2001）在《利用通用图像处理软件扩展生物医学图像分析系统功能》文中认为主要从应用技能的角度论述了如何利用微机通用图像处理软件发挥医学图像分析系统在现代生物医学图像分析中的作用。
马博渊[6]（2021）在《小样本复杂三维材料组织图像分割方法研究与应用》文中研究指明计算机视觉是一门“教”会计算机如何去“看”世界的科学,旨在使用计算机及相关设备对生物视觉进行模拟,进而代替肉眼对数字图像中的目标进行处理、识别、分析和理解。目前,随着计算机硬件及计算机视觉方法的不断发展,以及随着多学科间的深入交叉和融合,科学工作者开始尝试将以图像分割为代表的人工智能和计算机视觉技术运用到材料科学领域,旨在通过图像处理方法定量地分析物体内部的微观结构,解构物体微观表征与宏观性能间的关联关系。由于纯铁多晶粒组织是一种典型的材料微观组织,本文以它作为研究对象,开展相应的研究工作。然而,不同于自然场景图像分割任务,纯铁多晶粒组织图像分割首先是一个具有复杂形状的类别不平衡二值分割任务,需要在二维系列截面上逐个识别并提取每个晶粒,但各晶粒间具有不同的形状特征,却没有明显的纹理表征差别,为算法的设计造成了困难;其次,晶粒组织在空间中呈现三维立体状态,即单个晶粒会在多层截面中存在组织区域,而且由于晶粒的复杂性,各截面间存在晶粒突变、晶粒消失和晶粒新增的现象,如何设计鲁棒的算法识别多层截面间的同一个晶粒进行三维分割或聚合是纯铁多晶粒组织重构的关键;最后,为进一步提高基于监督学习的模型性能,需要大量具有标注的数据训练模型。但由于材料制备过程复杂、标注过程琐碎且耗时,通常仅能获得少样本的标注数据,因此亟需数据增广方法提高模型的泛化性。本文以材料显微图像中的纯铁多晶粒组织图像为研究对象,开展相关研究,主要工作包括:（1）针对二维材料显微图像中具有多种复杂形状的微观结构的特点,本文提出一种基于骨架感知的损失函数加权方法,驱使模型在训练过程中保留目标区域的形状信息,提高了图像分割的准确性。相比经典的加权方法,本文提出的方法具有如下特点:1)自适应性。可根据目标区域的形状自适应地进行加权;2)全面性。本文提出的方法对边界区域和目标区域均进行加权,有效地记录了目标区域的形状信息;3)易用性。本文提出的方法没有超参数,不需要根据任务类型手动调整参数,可方便移植到不同的数据上。通过在5个基线模型上进行测试,本文提出的方法在两个数据集（纯铁多晶粒组织图像和动物神经元图像）的分割任务上,其性能超过了当前经典的9种损失函数。特别地,经过实验对比,本文提出的方法由于驱使模型关注区域的形状信息,分割结果中的合并错误（Merge Error）低于其他经典方法。（2）针对三维晶粒重建或区域聚合时,由于各晶粒复杂交错造成识别精度低的问题,本文提出了一种基于深度学习的区域聚合方法,可识别不同截面的同一晶粒区域,进而在二维图像分割的基础上实现三维分割或聚合,提高了截面图像间目标识别的准确率。经过实验对比,本文提出的方法有效利用了深度学习方法提取的高维特征,其错误率低于经典的最小质心距、最大区域重合面积和最相似图像矩,等基于手工设计特征的方法。并且,本文提出的方法在各向同性和各向异性数据集上均取得一致的提高,说明本文提出的方法可在不经修改的情形下应用于不同数据集。（3）针对用于训练图像分割模型所需的标注数据量匮乏且标注过程琐碎耗时的瓶颈问题。为进一步快捷地提高模型的性能,本文提出一种基于风格迁移的数据增广方法,通过风格迁移融合模拟仿真模型中的晶粒结构信息和真实图像中的纹理信息创建合成图像,以此作为数据增广扩充用于训练图像分割模型的数据集。实验结果表明,本文提出的数据增广策略可为材料显微图像分割任务带来性能增益,该增益效果在小数据集上尤为明显。并且所提出的数据增广策略平均单张图像的合成时间约为真实图像数据制备的1%。而且在仅使用35%的真实图像数据基础上,结合合成图像数据,其性能超过了单一使用100%的真实图像数据训练模型的效果,表明本文方法可节省65%的真实图像数据制备工作量。通过对比实验,本文证明所提出的基于风格迁移的数据增广策略优于传统数据增广方法和基于预训练-微调的迁移学习方法。在此基础上,本文研发了一个基于深度学习的材料显微图像分割软件,为材料科研人员提供一个可视化操作工具,具有图像数据标注、模型推理、分割结果矫正等核心功能,利于材料科研工作者在实际应用中便捷、准确地分析材料显微图像,并且为后续模型改进加速了数据积累的过程。同时,本文针对大尺寸材料图像分割应用提出一种调整版的错切裁剪策略,相对于传统的错切裁剪策略,本文的方法将核心区域裁剪过程与网络结构设计过程相剥离,避免了在网络结构设计中计算核心区域裁剪大小的复杂过程,降低了输入图像尺寸的要求,进而降低深度学习模型在实际应用中对高显存硬件设备的依赖,即在图像分割模型训练完成后,可通过调整超参数方便地运行在具有不同硬件配置的机器上。
王超[7]（2020）在《三维图像分支点高效检测算法研究及实现》文中提出对生物医学图像中的树状结构的分析有助于我们了解生物结构的工作机理,其中一个关键的步骤是对这些树状结构进行拓扑结构重建。现有的大部分半自动重建算法和全自动重建算法普遍依赖于一系列的特征点:分支点和末梢点。特征点的检测和定位是树状结构重建至关重要的一部分。然而,目前国内外的研究机构很少探索针对3D树状结构中的分支点检测算法。因此,本文提出了一个基于改进ray-shooting模型的分支点检测算法,用来检测2D/3D生物医学图像中树状结构的分支点,并完成分支点检测算法的软件实现。这份工作可以完善现有重建算法的重建结果,并且为开发基于特征点的重建算法提供研究基础。本文针对生物医学图像中树状结构的分支点检测做了如下工作:1.鉴于部分生物医学图像为三维图像栈,不同坐标轴方向的分辨率各异。因此,相比于直接在3D空间中检测分支点,本文提出了一个多平面投影结和分而治之的策略,将3D检测任务转换成2D检测任务。即先检测2D平面上的分支点,再基于反向映射的方法,将检测到的2D分支点映射到3D空间。基于该策略既能解决分辨率不统一的问题也能大大减少计算量,从而提高算法的检测效率。2.原有的ray-shooting模型能提取任意位置附近的像素强度分布。基于此,本文提出一个改进的ray-shooting模型。通过设计局部半径估计算法计算候选点附近的局部区域大小,然后根据局部区域大小自适应的调整ray-shooting模型的尺度。因此,与原有的ray-shooting模型相比,改进的ray-shooting模型能够拒绝分支区域内部的“冗余”特征,准确地提取到分支上的“有效”特征,即与候选点相连接的分支支干处的像素强度分布。因此,改进的模型能够大大降低算法的计算量,并且使得算法能够适应于形态各异的候选分支区域。然后,基于密度聚类的DBSCAN算法用来聚类ray-shooting模型所提取到特征,根据聚类数量从而得到与候选点相连接的分支数量。最后根据分支数量判断候选点是否为2D分支点。3.为了使得本文所提出的树状结构分支点检测算法更加具备实用性,我们使用C++编程语言结合Qt平台,将分支点检测算法实现为一个能被直接使用的插件:Junction Detector。这款插件已应用于珍妮莉娅法姆研究学院（JFRC-HHMI）所开发的Vaa3D医学图像分析平台中。最后,论文所提出的算法在多个数据集上进行了测试。我们首先测试了算法在2D数据上的性能,其中2D图像包括眼底血管图像和神经元图像。之后,我们测试了算法在3D图像上的性能,3D图像包括了神经元图像、支气管图像。最后,为了进一步测试算法的高效性,我们测试了一些图像尺寸较大的3D血管图像,其图像大小为1000×1000×1000个像素。在这些图像上,本算法取得了88.57%的精确率和89.40%的召回率,算法的平均检测时间是531ms。
郭勇,严伟,黄仰锐,屈军乐[8]（2020）在《FPGA技术在生物医学成像中的研究进展》文中提出数字图像处理技术和微电子集成电路的飞速发展,使实时动态生物医学成像成为可能.生物医学动态成像的关键是高的通讯带宽和快速的数据处理能力,FPGA （field programmable gate array）即现场可编程逻辑门阵列,为数字图像实时处理系统在算法、系统结构上提供了新的思路与方法.文中首先简单介绍FPGA的概念、特点及其发展历程,详细对比FPGA与通用处理器之间的性能指标,然后重点介绍常规生物医疗成像技术原理和FPGA在医疗领域高速成像技术方面的研究和应用情况,最后对FPGA在实时成像方面进行总结和展望.
王艳杰[9]（2020）在《便携式耳鼻喉科通用接口电子内窥镜图像处理器设计与实现》文中提出电子内窥镜系统是微创医学的重要装备,其图像处理器设计是核心关键技术,也是研究热点。随着集成电路及嵌入式软件系统的发展,图像处理器向着更通用、更高数据吞吐率、更便携的方向发展。以耳鼻喉科对电子内窥镜系统的需求为例,急诊时需要方便接入多种内窥镜,出诊时需要系统轻便易携带。因此,能同时接入电子鼻咽喉镜、麻醉喉镜等多种电子内窥镜的便携式图像处理器成为设计重点。本文对已有产品性能特点和未来发展趋势进行分析,提出了 一种便携式耳鼻喉科通用接口电子内窥镜图像处理器的设计方案,克服了常规内窥镜系统笨重、不灵活、扩展性差的弊端,具有重要研究意义和应用价值。本论文采用先进的28nm HKMG低功耗工艺制作的ARM架构嵌入式平台,以及新版Linux 3.4.39内核对上述临床医学需求进行方案设计。所选平台具有小尺寸、低功耗、视频处理能力强的特性,适合实现便携式医用电子内窥镜图像处理器。在通用视频输入接口设计方面,本文针对主流的DVP、MIPI、USB接口图像传感器,研发了高效率的视频流软件架构及驱动软件,设计了专用视频流框架,为实现视频的高速低延迟处理,设计了多硬件共用视频缓冲区的方案,实现了多种视频输出接口的软件设计。综上,论文实现了高清720p、200万像素及500万像素多种图像传感器的接入,以及视频实时显示、冻结、拍照、录像、回放、照片浏览、文件管理等功能,以触摸屏控制的方式实现人机交互。本系统所实现的双屏显示功能,也符合现行主流电子内窥镜图像处理器的使用方式。最后,在满足系统通用输入接口及实时图像处理的设计目标基础上,进一步探索了图像分辨率损失度和编码比特率,以及编码帧率的关系,在系统延迟性、图像压缩质量、图像解码还原度等方面做了优化,并对评价内窥镜系统的其他重要参数进行了定量测试分析。本文针对便携式耳鼻喉科电子内窥镜图像处理器的临床医学需求,研发了基于嵌入式处理器的开源驱动模型,并实现了图像压缩的进一步优化,这为未来驱动框架、系统软件和像质分析等相关研究工作的进一步开展打下了良好的基础。
邱陈辉[10]（2019）在《基于多尺度几何分析和稀疏表示理论的多模态生物医学影像融合技术研究》文中研究表明当今的生物医学成像技术已经能够在器官、组织、细胞、分子和基因等不同尺度水平上呈现生物体的形态结构或功能代谢信息。然而,不同的成像模态具有不同的适用范围和优缺点。将不同成像模态和尺度水平上的生物医学影像信息进行融合是生物医学影像领域的重要研究方向。深入开展生物医学影像融合技术研究对临床影像学诊断、病变的精确定位、放疗计划的设计、外科手术方案的制定和疗效评估等具有重要的学术意义和临床价值。本论文对多模态生物医学影像融合方法进行了深入的研究,重点围绕以下四个方面的工作展开。（1）针对CT与MR影像的融合,提出了采用非下采样剪切波变换（Nonsubsampled Shearlet Transform,NSST）和稀疏表示（Sparse Representation,SR）相结合的融合方法。首先利用NSST对CT和MR影像进行分解。然后利用绝对值取大（Absolute Value Maximum,AVM）规则对高频子带进行融合,并且利用基于SR的融合办法对低频子带进行融合。最后对融合得到的高频和低频子带进行NSST逆变换,获得融合影像。该方法率先利用动态群稀疏恢复（Dynamic Group Sparsity Recovery,DGSR）算法对低频子带进行稀疏编码。对比实验的结果表明,该方法在主观评价上具有更佳的效果,在9项客观评价指标度量中有6项为最优、1项为次优、2项为良好。（2）针对PET/SPECT与MR影像的融合,提出了基于NSST的融合方法。首先利用NSST对PET/SPECT和MR影像进行分解。然后采用AVM规则对高频子带进行融合,并且采用本论文提出的基于Haar小波的能量（Haar Wavelet based Energy,HWE）规则对低频子带进行融合。最后对融合得到的高频和低频子带进行NSST逆变换,获得融合影像。比较性实验的结果表明,该方法在人眼视觉评价中具有更佳的效果,在5项客观评价指标度量中有4项为最优、另1项为次优。（3）针对GFP与相衬影像的融合,提出了基于基于卷积稀疏表示（Convolutional Sparse Representation,CSR）的融合方法。首先利用 CSR 对 GFP与相衬影像进行分解。然后利用改进的拉普拉斯之和（Sum of Modified Laplacian,SML）规则对细节层进行融合,并且利用本论文提出的自适应区域能量（Adaptive Region Energy,ARE）规则对基础层进行融合。其中,使用基于讨论机制的头脑风暴优化（Discussion Mechanism based Brain Storm Optimization,DMBSO）算法来计算自适应区域的最佳尺寸。最后对融合得到的细节层和基础层进行CSR逆变换,获得融合影像。实验结果表明,该方法在人眼视觉评价中效果显着,在6项客观评价指标度量中有4项为最优、1项为次优、1项为中等。同时,该方法可以有效应对GFP与相衬影像配准不佳的状况,表现出良好的鲁棒性。（4）针对PET与CT影像的融合,提出了 CSR与NSST相结合的融合方法。首先对PET和CT影像进行CSR分解,得到相应的细节层和基础层。然后对基础层执行NSST变换,得到相应的高频子带和低频子带。接着,采用本论文提出的局部互相关性取大（Local Cross Correlation Maximum,LCCM）规则对于细节层和高频子带进行融合,并且采用区域能量取大（Region Energy Maximum,REM）规则对低频子带进行进行融合。最后对融合得到的高频和低频子带进行NSST逆变换,并对融合得到的基础层和细节层进行CSR逆变换,获得融合影像。实验结果表明,该方法在主观评价上效果显着,在6项客观评价指标度量中有5项为最优、另1项为次优。同时,该方法可以有效应对PET和CT影像配准不佳的情形,表现出良好的鲁棒性。本论文聚焦于四类多模态生物医学影像的融合方法研究,针对不同的待融合影像特点分别提出了四种不同的融合方法,并且专门设计了三种不同的融合规则。实验结果表明,上述融合方法在主观评价分析和客观评价指标度量上都取得了优异的融合效果。
二、利用通用图像处理软件扩展生物医学图像分析系统功能（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、利用通用图像处理软件扩展生物医学图像分析系统功能（论文提纲范文）
（1）面向显微细胞图像的通用算法平台研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 通用图像处理软件Image J |
| 1.2.2 细胞图像分析软件Cell Profiler |
| 1.3 主要研究内容 |
| 1.3.1 算法平台研究 |
| 1.3.2 本文的主要贡献 |
| 1.4 本文的结构安排 |
| 2 面向显微细胞图像的算法平台架构 |
| 2.1 平台需求分析 |
| 2.1.1 平台功能需求 |
| 2.1.2 非功能性需求 |
| 2.2 技术路线选择 |
| 2.3 系统架构 |
| 2.3.1 系统分层架构 |
| 2.3.2 数据库设计 |
| 2.3.3 数据库安全控制 |
| 2.4 本章小结 |
| 3 算法集成 |
| 3.1 细胞图像数据介绍 |
| 3.1.1 细胞图像成像模式及特点 |
| 3.1.2 显微细胞图像数据格式 |
| 3.2 基本图像处理算法 |
| 3.2.1 图像预处理 |
| 3.2.2 图像分割 |
| 3.2.3 图像后处理 |
| 3.2.4 测量与分析 |
| 3.3 传统机器学习算法 |
| 3.4 深度学习算法 |
| 3.4.1 深度学习模型调用 |
| 3.4.2 深度学习模型训练 |
| 3.5 自定义算法模块 |
| 3.5.1 数据流 |
| 3.5.2 算法组件 |
| 3.5.3 自定义算法方案 |
| 3.5.4 流程管理与异常处理机制 |
| 3.5.5 算法保存与调用 |
| 3.6 本章小结 |
| 4 系统实现与测试 |
| 4.1 系统功能实现 |
| 4.1.1 用户管理模块 |
| 4.1.2 数据管理模块 |
| 4.1.3 项目管理模块 |
| 4.1.4 图像算法模块 |
| 4.2 荧光显微图像检测实验 |
| 4.2.1 数据及任务描述 |
| 4.2.2 算法方案 |
| 4.2.3 实验结果 |
| 4.3 电子显微图像分割实验 |
| 4.3.1 数据及任务描述 |
| 4.3.2 膜结构分割实验 |
| 4.3.3 线粒体分割实验 |
| 4.4 本章小结 |
| 5 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 作者简历 |
（2）面向机器学习的细胞三维标注技术研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 细胞生物图像分析意义 |
| 1.1.2 深度学习的细胞图像分析 |
| 1.1.3 带标注数据集与标注系统的发展现状 |
| 1.2 主要研究内容 |
| 1.2.1 本文结构安排 |
| 2 细胞生物图像标注方法研究 |
| 2.1 细胞生物图像介绍 |
| 2.1.1 生物细胞成像模式 |
| 2.1.2 细胞生物图像特点 |
| 2.2 细胞生物图像数据格式 |
| 2.2.1 OME TIFF数据格式 |
| 2.2.2 其他数据格式 |
| 2.3 细胞生物图像标注形式研究 |
| 2.3.1 标注需求来源 |
| 2.3.2 标注形式分析 |
| 2.4 细胞生物图像分割算法 |
| 2.4.1 基本图像处理算法 |
| 2.4.2 传统机器学习算法 |
| 2.4.3 深度学习分割方法 |
| 2.5 细胞生物图像标注流程 |
| 2.5.1 待标注数据准备 |
| 2.5.2 显微图像标注过程 |
| 2.5.3 标注质量策略 |
| 2.5.4 平台化标注系统 |
| 2.6 本章小结 |
| 3 细胞生物图像三维标注系统设计 |
| 3.1 系统总体设计 |
| 3.1.1 标注系统需求分析 |
| 3.1.2 系统需求功能设计 |
| 3.1.3 系统架构技术设计 |
| 3.2 标注数据管理 |
| 3.2.1 图像标注数据库 |
| 3.2.2 数据集管理接口 |
| 3.3 算法环境集成 |
| 3.3.1 传统算法调用接口 |
| 3.3.2 深度学习算法接口 |
| 3.3.3 数据流设计 |
| 3.4 可视化图像标注 |
| 3.4.1 用户管理界面 |
| 3.4.2 数据集管理界面 |
| 3.4.3 图像显示界面 |
| 3.4.4 图像标注过程 |
| 3.5 本章小结 |
| 4 生物细胞图像标注实验 |
| 4.1 实验软硬件环境 |
| 4.2 荧光显微图像标注实验 |
| 4.2.1 数据描述 |
| 4.2.2 标注生成 |
| 4.2.3 7种亚细胞结构的标注 |
| 4.3 电子显微图像标记实验 |
| 4.3.1 数据集描述 |
| 4.3.2 线粒体标注 |
| 4.3.3 细胞膜标注 |
| 4.4 本章小结 |
| 5 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 作者简历 |
（3）细胞视频图像动态形变度量及分类关键技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题背景和研究意义 |
| 1.2 国内外研究现状及发展趋势 |
| 1.2.1 细胞图像形态研究 |
| 1.2.2 细胞图像形变研究 |
| 1.3 论文内容与安排 |
| 1.4 论文主要贡献和创新点 |
| 第2章 细胞图像形态和形变研究理论基础 |
| 2.1 引言 |
| 2.2 细胞图像形态描述算法 |
| 2.2.1 形状和结构特征 |
| 2.2.2 纹理特征 |
| 2.2.3 开源细胞图像处理软件 |
| 2.3 细胞图像序列形变度量算法 |
| 2.3.1 特征空间量化形变的方法 |
| 2.3.2 结合时间信息的形变度量方法 |
| 2.4 数据分析和分类算法 |
| 2.4.1 有监督学习 |
| 2.4.2 无监督学习 |
| 2.5 本章小结 |
| 第3章 基于图像特征的细胞动态形变度量和分类 |
| 3.1 引言 |
| 3.2 实验数据采集与标记 |
| 3.2.1 相关知识 |
| 3.2.2 实验数据采集与标记 |
| 3.3 实验数据预处理 |
| 3.3.1 细胞分割 |
| 3.3.2 细胞尺度归一化 |
| 3.3.3 细胞姿态对齐 |
| 3.3.4 数据预处理结果 |
| 3.4 四元数通用傅里叶描述子 |
| 3.4.1 四元数通用傅里叶变换 |
| 3.4.2 四元数通用傅里叶描述子不变性 |
| 3.4.3 基于四元数通用傅里叶描述子的图像识别 |
| 3.5 细胞动态形变分类实验 |
| 3.5.1 数据集I |
| 3.5.2 数据集II |
| 3.6 本章小结 |
| 第4章 细胞视频图像动态形变时序特征提取和分析 |
| 4.1 引言 |
| 4.2 细胞视频图像形变时序分析算法 |
| 4.2.1 匹配游程统计 |
| 4.2.2 局部时序特征 |
| 4.2.3 局部形变模式 |
| 4.3 实验结果与分析 |
| 4.3.1 数据集I |
| 4.3.2 数据集II |
| 4.4 本章小结 |
| 第5章 基于深度学习的细胞视频图像动态形变分类 |
| 5.1 引言 |
| 5.2 卷积神经网络 |
| 5.2.1 神经网络结构 |
| 5.2.2 卷积神经网络结构 |
| 5.3 生成细胞视频图像轮廓谱 |
| 5.3.1 实验数据转换 |
| 5.3.2 训练数据增强 |
| 5.4 应用卷积神经网络处理细胞视频图像 |
| 5.4.1 随机初始化网络模型 |
| 5.4.2 预训练卷积特征 |
| 5.4.3 微调预训练网络模型 |
| 5.5 实验结果与分析 |
| 5.5.1 数据集I |
| 5.5.2 数据集II |
| 5.5.3 分析和讨论 |
| 5.6 本章小结 |
| 结论与展望 |
| 结论 |
| 工作展望 |
| 参考文献 |
| 攻读学位期间发表论文与研究成果清单 |
| 致谢 |
| 作者简介 |
（5）利用通用图像处理软件扩展生物医学图像分析系统功能（论文提纲范文）
| 1 早期生物医学图像分析系统的弊端 |
| 1.1 图像采集的局限性 |
| 1.2 图像预处理功能差 |
| 1.3 不具备图像管理功能 |
| 2 通用图像处理软件与早期生物医学图像分析软件的结合 |
| 2.1 图像输入 |
| 2.2 构图与造型 |
| 2.3 图像编辑 |
| 2.4 图像处理 |
| 2.5 图像管理 |
| 3 通用图像处理软件与生物医学图像分析系统结合应用的技术关键 |
| 3.1 利用通用图像处理软件自身进行转换 |
| 3.2 利用专用图像格式转换软件进行转换 |
（6）小样本复杂三维材料组织图像分割方法研究与应用（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 1 引言 |
| 1.1 研究背景与意义 |
| 1.2 研究内容与成果 |
| 1.3 论文组织结构 |
| 2 相关概念及研究进展 |
| 2.1 二维图像分割方法 |
| 2.1.1 二维图像分割的内涵 |
| 2.1.2 二维图像分割方法综述 |
| 2.2 三维分割方法综述 |
| 2.2.1 三维区域聚合技术 |
| 2.2.2 三维可视化技术 |
| 2.3 图像增广方法 |
| 2.3.1 图像增广的内涵 |
| 2.3.2 图像增广方法综述 |
| 2.4 材料显微组织定量分析综述 |
| 2.4.1 图像分割技术在材料领域的应用 |
| 2.4.2 三维分割技术在材料领域的应用 |
| 2.5 本章小结 |
| 3 面向二维分割的骨架感知加权方法 |
| 3.1 传统损失函数加权方法 |
| 3.2 基于骨架感知的损失函数加权方法 |
| 3.3 实验设计及分析 |
| 3.3.1 评估指标分析 |
| 3.3.2 实验设计 |
| 3.3.3 实验分析 |
| 3.4 本章小结 |
| 4 面向三维分割的截面区域聚合方法 |
| 4.1 区域聚合总流程 |
| 4.2 区域聚合算法 |
| 4.3 区域聚合结果分析 |
| 4.3.1 实验设计 |
| 4.3.2 实验结果对比 |
| 4.4 多晶粒组织三维重构 |
| 4.5 多晶粒组织三维结构定量表征 |
| 4.5.1 基础测量 |
| 4.5.2 统计分布 |
| 4.6 本章小结 |
| 5 面向少样本图像分割的材料显微图像数据增广 |
| 5.1 总体技术路线 |
| 5.2 基于风格迁移的材料显微图像数据增广 |
| 5.2.1 基于蒙特卡洛的晶粒生长模拟 |
| 5.2.2 基于生成对抗的图像风格迁移 |
| 5.2.3 数据增广耗时分析 |
| 5.2.4 数据增广性能增益分析 |
| 5.3 实验对比分析 |
| 5.4 本章小结 |
| 6 基于调整版错切裁剪的大尺寸显微图像分割软件研发 |
| 6.1 软件需求分析 |
| 6.1.1 功能性需求分析 |
| 6.1.2 非功能性需求分析 |
| 6.2 软件总体设计 |
| 6.3 基于调整版错切裁剪策略的大尺寸图像分割 |
| 6.4 软件详细设计 |
| 6.4.1 图像导入导出模块 |
| 6.4.2 图像分割模块 |
| 6.4.3 图像可视化模块 |
| 6.4.4 人工修正模块 |
| 6.4.5 非功能性需求 |
| 6.5 软件测试 |
| 6.6 本章小结 |
| 7 结论 |
| 7.1 论文工作总结 |
| 7.2 未来展望 |
| 参考文献 |
| 作者简历及在学研究成果 |
| 学位论文数据集 |
（7）三维图像分支点高效检测算法研究及实现（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 分支点检测背景与意义 |
| 1.2 分支点检测的研究现状 |
| 1.3 研究基础 |
| 1.3.1 2D分支点检测的研究基础 |
| 1.3.2 3D分支点检测的研究基础 |
| 1.4 本文的主要研究内容 |
| 1.4.1 本文的创新性和贡献 |
| 1.4.2 分支点检测算法总体概述 |
| 1.5 论文的结构安排 |
| 第2章 2D分支点检测算法 |
| 2.1 前言 |
| 2.2 2D候选分支点检测 |
| 2.2.1 图像骨架提取 |
| 2.3 候选点位置优化和局部半径估计 |
| 2.3.1 球形增长法概述 |
| 2.3.2 基于球形增长法的半径估计算法 |
| 2.4 改进的ray-shooting模型 |
| 2.4.1 改进ray-shooting模型和原有模型的比较 |
| 2.4.2 基于改进ray-shooting模型的分支特征提取 |
| 2.5 基于自适应DBSCAN算法的分支数量计算 |
| 2.5.1 DBSCAN聚类算法概述 |
| 2.5.2 自适应参数的必要性分析 |
| 2.5.3 自适应参数的可行性分析 |
| 2.5.4 基于射线模型特征的自适应DBSCAN聚类算法 |
| 2.6 本章小结 |
| 第3章 3D分支点检测算法 |
| 3.1 前言 |
| 3.2 3D-2D:子图像的多平面投影 |
| 3.3 2D-3D:3D分支点检测 |
| 3.3.1 基于反向映射算法的可行性分析 |
| 3.3.2 基于反向映射算法的3D分支点检测 |
| 3.4 本章小结 |
| 第4章 分支点检测算法的软件实现 |
| 4.1 前言 |
| 4.2 Vaa3D软件介绍 |
| 4.2.1 Vaa3D 软件架构和模块 |
| 4.3 基于Vaa3D平台的分支点检测插件开发 |
| 4.3.1 分支点检测插件开发原理 |
| 4.3.2 插件开发平台和环境 |
| 4.3.3 分支点检测插件模块 |
| 4.4 本章小结 |
| 第5章 实验结果与数据分析 |
| 5.1 前言 |
| 5.2 实验平台 |
| 5.3 算法参数评估和参数选择 |
| 5.4 实验数据 |
| 5.5 分支区域半径估计结果 |
| 5.6 2D分支点检测结果 |
| 5.7 3D分支点检测结果 |
| 5.7.1 3D单个神经元图像分支点检测结果 |
| 5.7.2 3D支气管图像分支点检测结果 |
| 5.7.3 3D血管树和多神经元图像的分支点检测 |
| 5.8 分支点检测在树状结构重建中的应用 |
| 5.9 本章小结 |
| 总结与展望 |
| 参考文献 |
| 致谢 |
| 附录 A 攻读学位期间所发表的学术成果 |
| 附录 B 分支点检测算法部分代码(C++) |
（8）FPGA技术在生物医学成像中的研究进展（论文提纲范文）
| 1 FPGA概念、性能及其发展历程 |
| 1.1 FPGA概念及特点 |
| 1.2 编程逻辑器件的发展历史概述 |
| 1.3 FPGA与不同体系结构性能对比 |
| 2 FPGA在生物医学成像中的应用 |
| 2.1 生物医学成像技术概述 |
| 2.2 X射线摄影成像（CR、DR、DSA) |
| 2.3 计算机断层扫描 |
| 2.4 核磁共振成像 |
| 2.5 超声波扫描术 |
| 2.6 核医学成像技术 |
| 2.7 光学成像技术 |
| 3 总结和展望 |
（9）便携式耳鼻喉科通用接口电子内窥镜图像处理器设计与实现（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.3 研究内容 |
| 1.4 论文结构 |
| 2 系统方案与硬件设计 |
| 2.1 系统结构介绍 |
| 2.2 采集前端方案 |
| 2.3 处理后端方案 |
| 2.3.1 基于DSP的后端处理方案 |
| 2.3.2 基于FPGA的后端处理方案 |
| 2.3.3 基于ARM的后端处理方案 |
| 2.4 系统硬件设计 |
| 2.4.1 MIPI输入接口电路设计 |
| 2.4.2 LVDS显示接口电路设计 |
| 2.5 本章小结 |
| 3 开发环境搭建与系统总体软件设计 |
| 3.1 开发环境搭建 |
| 3.2 软件总体设计 |
| 3.3 系统各部分界面展示及功能介绍 |
| 3.4 本章小结 |
| 4 系统软件功能设计 |
| 4.1 系统驱动分析与设计 |
| 4.1.1 Linux设备驱动总述 |
| 4.1.2 Linux设备驱动模型 |
| 4.1.3 触摸屏与按键驱动的设计与实现 |
| 4.1.4 摄像头IIC驱动的设计与实现 |
| 4.1.5 ION驱动实现与分析 |
| 4.1.6 视频显示有关驱动分析 |
| 4.2 视频流架构设计 |
| 4.2.1 系统专用视频流框架设计 |
| 4.2.2 视频共用缓冲区设计 |
| 4.3 视频采集显示与冻结功能的实现 |
| 4.4 视频编解码与拍照功能的实现 |
| 4.4.1 H.264标准及VPU介绍 |
| 4.4.2 视频H.264编码功能实现 |
| 4.4.3 视频H.264解码功能实现 |
| 4.4.4 JPEG拍照功能实现 |
| 4.5 双屏显示功能的实现 |
| 4.6 本章小结 |
| 5 系统性能测试与分析 |
| 5.1 系统不同接口镜头成像效果测试 |
| 5.2 双屏显示效果测试 |
| 5.3 系统显示时延测试与分析 |
| 5.4 系统编解码性能测试 |
| 5.4.1 编码耗时测试 |
| 5.4.2 图像还原度之分辨率测试 |
| 5.4.3 图像还原度之色差测试 |
| 5.5 摄像系统关键性能评估 |
| 5.6 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 作者简历 |
（10）基于多尺度几何分析和稀疏表示理论的多模态生物医学影像融合技术研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 生物医学多模态成像技术 |
| 1.1.1 CT |
| 1.1.2 MRI |
| 1.1.3 SPECT和PET |
| 1.1.4 GFP成像和相衬成像 |
| 1.2 生物医学图像融合技术与评价 |
| 1.2.1 图像融合 |
| 1.2.2 生物医学影像融合 |
| 1.2.3 生物医学影像融合技术研究现状 |
| 1.2.4 生物医学图像融合的评价方法 |
| 1.3 论文主要研究内容与章节安排 |
| 第2章 CT和MR影像融合 |
| 2.1 非下采样剪切波变换 |
| 2.2 稀疏表示 |
| 2.3 基于非下采样剪切波变换和稀疏表示的融合方法 |
| 2.3.1 NSST分解 |
| 2.3.2 高频子带融合 |
| 2.3.3 低频子带融合 |
| 2.3.4 NSST重构 |
| 2.4 实验与讨论 |
| 2.4.1 实验设计 |
| 2.4.2 实验结果与讨论分析 |
| 2.5 本章小结 |
| 第3章 PET/SPECT和MR影像融合 |
| 3.1 彩色空间模型IHS |
| 3.2 基于非下采样剪切波变换的融合方法 |
| 3.2.1 AVM规则 |
| 3.2.2 HWE规则 |
| 3.2.3 融合方法框架 |
| 3.3 实验与讨论 |
| 3.3.1 实验设计 |
| 3.3.2 实验结果与讨论分析 |
| 3.4 本章小结 |
| 第4章 GFP和相衬影像融合 |
| 4.1 卷积稀疏表示 |
| 4.2 基于讨论机制的头脑风暴优化算法 |
| 4.3 基于卷积稀疏表示的融合方法 |
| 4.3.1 ARE规则 |
| 4.3.2 SML规则 |
| 4.3.3 融合方法框架 |
| 4.4 实验与讨论 |
| 4.4.1 实验设计 |
| 4.4.2 实验结果与讨论 |
| 4.5 本章小结 |
| 第5章 PET和CT影像融合 |
| 5.1 基于卷积稀疏表示和非下采样剪切波变换的融合方法 |
| 5.1.1 LCCM规则 |
| 5.1.2 REM规则 |
| 5.1.3 融合方法框架 |
| 5.2 实验与讨论 |
| 5.2.1 影像配准预处理 |
| 5.2.2 实验设计 |
| 5.2.3 实验结果与讨论分析 |
| 5.3 本章小结 |
| 第6章 总结与展望 |
| 6.1 论文工作总结 |
| 6.2 未来工作展望 |
| 参考文献 |
| 附录 攻读博士学位期间所取得的研究成果 |
四、利用通用图像处理软件扩展生物医学图像分析系统功能（论文参考文献）
- [1]面向显微细胞图像的通用算法平台研究[D]. 吴悠. 浙江大学, 2021(01)
- [2]面向机器学习的细胞三维标注技术研究[D]. 应梦婷. 浙江大学, 2020(02)
- [3]细胞视频图像动态形变度量及分类关键技术研究[D]. 李衡. 北京理工大学, 2018(06)
- [4]生物医学图像分析工作者应具备的计算机基本技能[A]. 薄立华,郭志良,崔亚南. 第十一届国际体视学大会暨第十届中国体视学与图像分析学术会议论文集, 2003
- [5]利用通用图像处理软件扩展生物医学图像分析系统功能[J]. 薄立华,张桂珍,崔亚南. 中国体视学与图像分析, 2001(04)
- [6]小样本复杂三维材料组织图像分割方法研究与应用[D]. 马博渊. 北京科技大学, 2021(04)
- [7]三维图像分支点高效检测算法研究及实现[D]. 王超. 湖南大学, 2020(07)
- [8]FPGA技术在生物医学成像中的研究进展[J]. 郭勇,严伟,黄仰锐,屈军乐. 生物化学与生物物理进展, 2020(06)
- [9]便携式耳鼻喉科通用接口电子内窥镜图像处理器设计与实现[D]. 王艳杰. 浙江大学, 2020(02)
- [10]基于多尺度几何分析和稀疏表示理论的多模态生物医学影像融合技术研究[D]. 邱陈辉. 浙江大学, 2019(01)