基于U-net网络的细胞核检测方法

秦晨阳，应 捷，杨海马

（上海理工大学 光电信息与计算机工程学院，上海 200093）

引 言

细胞或细胞核的检测是计算机辅助医疗的一项基本内容，可对细胞形态等各种定量分析提供支持。细胞的观察过程一般是由专家取样，再经过染色处理，最后在显微镜下查看载有细胞样本的玻片。这个过程往往需要专业人士观察大量的细胞样本，因此这个方法及其耗费时间。随着显微数字成像技术的高度发展，越来越多的专家只需浏览计算机屏幕上的虚拟影像，而不需在显微镜下检查玻璃幻灯片。所以现代的图像处理方法和机器学习等技术为专家进行细胞方面的研究提供了更好的方法。

目前，对细胞或细胞核的检测方法主要有：距离变换、形态学操作、H-最大/最小值变换、拉普拉斯高斯（LoG）滤波、最大稳定极值区域（MSER）检测、Hough变换、监督学习等方法。

随着深度学习模型和神经网络算法的不断发展和优化，深度学习在医学图像的分割和识别上显示出了巨大的优势。卷积神经网络（convolutional neural network，CNN）[1-2]是一种有监督学习的深度学习模型，通过结合局部感受野、权值共享等实现对输入数据的位移变化、尺度变化、形变变化的不变性。CNN是一种高效的识别方法，采用CNN可避免图像的复杂前期预处理，可以直接输入原始图像。

Xing等[3]使用了三种不同的CNN模型，分别对脑肿瘤、胰腺神经内分泌肿瘤和乳腺癌病理图像进行了自动细胞核检测。Dong等[4]采用了9层的CNN结合非最大值抑制方法对斑马鱼图像中的细胞进行检测。……