1、近年來(lái)，隨著計(jì)算機(jī)技術(shù)和人工智能的快速發(fā)展，計(jì)算機(jī)視覺(jué)技術(shù)已被廣泛應(yīng)用于抗癌藥物的研發(fā)和細(xì)胞病理的分析等生物醫(yī)學(xué)工程領(lǐng)域，顯微圖像序列下的細(xì)胞檢測(cè)與識(shí)別一直是計(jì)算機(jī)視覺(jué)領(lǐng)域亟待解決的重點(diǎn)、難點(diǎn)問(wèn)題之一。而深度學(xué)習(xí)通過(guò)組合低層特征形成具有抽象表示的深層神經(jīng)網(wǎng)絡(luò)，突破了低層特征到高層語(yǔ)義理解的障礙，極大地提升了機(jī)器在視覺(jué)特征的提取、語(yǔ)義分析和理解方面的智能處理水平，近年來(lái)在計(jì)算機(jī)視覺(jué)、語(yǔ)音和自然語(yǔ)言處理等方面取得了巨大的成功，特別是目標(biāo)檢測(cè)

2、和圖像識(shí)別領(lǐng)域。因此，本文以膀胱癌T24相稱顯微圖像細(xì)胞為研究對(duì)象，利用卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks, CNN）算法對(duì)顯微圖像上的癌細(xì)胞進(jìn)行檢測(cè)，并以此為基礎(chǔ)，對(duì)癌細(xì)胞有絲分裂的分裂前、分裂中、分裂后以及死亡等狀態(tài)進(jìn)行識(shí)別。本文主要研究成果如下：
　　（1）根據(jù)顯微圖像序列下癌細(xì)胞的特性，本文利用目前檢測(cè)領(lǐng)域效果最好的算法之一—區(qū)域卷積神經(jīng)網(wǎng)絡(luò)（Region-ConvolutionalN

3、eural Network，R-CNN）對(duì)癌細(xì)胞進(jìn)行檢測(cè)。該算法首先通過(guò)建議區(qū)域算法產(chǎn)生候選區(qū)域，接著利用CNN對(duì)候選區(qū)域特征進(jìn)行提取，最后通過(guò)SVM算法對(duì)癌細(xì)胞進(jìn)行類別判定，最終判斷該區(qū)域其是否是癌細(xì)胞。實(shí)驗(yàn)結(jié)果表明，無(wú)論癌細(xì)胞處于粘連狀態(tài)還是處于單個(gè)游離狀態(tài)，R-CNN都可以有效地檢測(cè)到其位置信息，為將來(lái)進(jìn)一步對(duì)癌細(xì)胞進(jìn)行分割或跟蹤奠定基礎(chǔ)。
　　（2）在R-CNN的基礎(chǔ)上，本文提出了多個(gè)建議區(qū)域融合算法。首先，分別用選擇性搜

4、索算法（Selective Search）和邊緣框算法（Edge Box）提取顯微圖像序列下的癌細(xì)胞圖像的建議區(qū)域；然后，將兩者得到的建議區(qū)域進(jìn)行合并融合；最后，剔除兩者之間的冗余區(qū)域，最終得到更為有效的候選區(qū)域。實(shí)驗(yàn)結(jié)果表明，相比單個(gè)建議區(qū)域算法，多個(gè)建議區(qū)域融合算法出現(xiàn)的漏檢率更低、效果更好。
　?。?）在上述癌細(xì)胞檢測(cè)的基礎(chǔ)上，本文基于CNN算法提出了癌細(xì)胞有絲分裂的狀態(tài)檢測(cè)方法，通過(guò)采用有監(jiān)督的CNN對(duì)癌細(xì)胞有絲分裂的分裂

5、前、分裂中、分裂后以及死亡等狀態(tài)進(jìn)行識(shí)別，并與梯度直方圖（Histograms of Oriented Gradients，HOG）、局部二值模式（Local Binary Patterns，LBP）、Gist算法、Dense-sift算法等傳統(tǒng)人工特征提取算法進(jìn)行了比較。從對(duì)比的實(shí)驗(yàn)結(jié)果表明，深度卷積神經(jīng)網(wǎng)絡(luò)以96％的識(shí)別率遠(yuǎn)遠(yuǎn)超過(guò)其他傳統(tǒng)的特征提取算法。
　　由上述研究成果表明，利用CNN可以提取更加豐富的特征，能有效的對(duì)膀胱