基于时空曲率正则化的细胞图像序列去噪

目的显微细胞成像系统获取的图像序列由于光照、电磁干扰等因素的影响,不可避免地存在一定程度的噪声,消除噪声得到清晰的细胞图像是后续细胞形态特征提取和分析的首要步骤。本文引入细胞图像序列的时域信息来构建时空曲率正则化约束,以实现细胞图像序列的去噪处理。方法首先,利用细胞图像序列的空域和时域相关性,构建基于时空曲率正则化的图像序列去噪模型;然后,通过增广拉格朗日乘子法实现模型的优化求解;最后,分别通过对叠加有不同高斯白噪声水平的纤维母细胞和多能干细胞图像序列进行去噪实验,以验证去噪效果。结果与总变分去噪法、三维阈值剪切去噪法和空间曲率正则化去噪法相比较,基于时空曲率正则化的细胞图像序列去噪方法应用于2组细胞图像序列去噪的视觉效果,及峰值信噪比(peak signal to noise ratio,PSNR)和结构相似度(structural similarity,SSIM)都优于其他3种方法。结论与其他3种去噪方法相比,此方法更加充分利用了细胞图像序列的时域信息,去噪后能有效地维持图像对比度,振铃效应不明显,对高斯噪声具有更好的适应性和稳定性,可应用于细胞形态变化检测的前期处理阶段。     

U-Net及其变体在医学图像分割中的应用研究综述

医学图像分割可以为临床诊疗和病理学研究提供可靠的依据,并能辅助医生对病人的病情做出准确的判断。基于深度学习的分割网络的出现解决了传统自动分割方法鲁棒性不强、准确率低等问题。U-Net凭借其出色的性能在众多的分割网络中脱颖而出,研究者以U-Net为基础相继提出了多种改进变体。以U-Net网络及其变体为主线,首先详细介绍U-Net的网络结构及常用改进方法;然后根据分割对象的不同,将U-Net变体网络进一步划分为泛用型分割网络及特定型分割网络,并就其在医学图像分割中的研究进展进行论述;最后,分析了目前研究中工作尚存在的难点与问题,并对今后的发展方向进行展望。