基于卷积神经网络与不均匀性校正的荧光显微图像管状结构分割
计算机视觉与模式识别
2019-04-16 v1 机器学习
图像与视频处理
摘要
荧光显微镜已成为研究体内组织或细胞多种生物结构的广泛使用的工具。然而，由于这些生物结构的复杂性，且透镜像差与光散射引起的畸变加剧了该复杂性，其定量分析仍具挑战。此外，此类图像体的手动量化是一个棘手且易错的过程，使得对自动化图像分析方法的需求至关重要。本文描述一种利用卷积神经网络结合数据增强与不均匀性校正，对荧光显微图像中管状结构进行分割的方法。所提方法的分割结果在视觉上与数值上同其他显微分割方法进行比较。实验结果表明，与其他方法相比，所提方法在正确分割与识别多个管状结构方面具有更优性能。
引用
@article{arxiv.1802.03542,
title = {Tubule segmentation of fluorescence microscopy images based on convolutional neural networks with inhomogeneity correction},
author = {Soonam Lee and Chichen Fu and Paul Salama and Kenneth W. Dunn and Edward J. Delp},
journal= {arXiv preprint arXiv:1802.03542},
year = {2019}
}
备注
IS&T International Symposium on Electronic Imaging 2018