|
ZICHLIKNI BAHOLASH BO'YICHA HISOBLASH
|
| bet | 2/3 | | Sana | 13.09.2024 | | Hajmi | 240,54 Kb. | | #270965 |
Bog'liq MIKROSKOPDAGI TASVIRLARDA HUJAYRALARNI SANASH VA ANIQLASH ALGORITMI1.1 ZICHLIKNI BAHOLASH BO'YICHA HISOBLASH
Zichlikni baholash bilan olomon mikroskopiya tasvirlarida hujayralarni hisoblash alohida hujayralarni qiyin aniqlash va segmentatsiya qilishdan qochadi. Bu faqat hujayralar soni talab qilinadigan vazifalar uchun yaxshi alternativ. So'nggi yillarda bir nechta ishlar ushbu yondashuvni o'rganib chiqdi. da muammo nazorat ostidagi oʻrganish algoritmi yordamida zichlikni baholash sifatida berilgan, D ( x ) = c T ph ( x ), bu erda D ( x ) yer-haqiqat zichligi xaritasini, ph ( x ) esa mahalliy xususiyatlar. c parametrlari barcha mumkin bo'lgan pastki oynalarda kvadratik dasturlash bilan haqiqiy va bashorat qilingan zichlik xaritasi o'rtasidagi xatolikni minimallashtirish orqali o'rganiladi. da tuzilmali teglarni oʻrganish uchun yamoqqa asoslangan gʻoyadan foydalanish uchun regressiya oʻrmonidan foydalaniladi, soʻngra yangi kirish tasviri uchun zichlik xaritasi tuzilgan, yamoqqa asoslangan bashoratlarni oʻrtacha hisoblash orqali baholanadi. da turli mahalliy xususiyatlar bilan tizma regressiyasini oddiygina yechish orqali tez interaktiv hisoblash imkonini beruvchi algoritm taklif qilingan.
1.2 REGRESSIYA ORQALI ANIQLASH
Tabiiy tasvirlarni aniqlash bo'yicha so‘nggi paytlarda juda ko‘p ishlar qilingan bo'lsa-da , mikroskopiya tasvirlari uchun hozirgacha kam qo‘llanilgan.Tabiiy tasvirlarga yondashuvlar hududni taklif qilish va tasniflash tarmoqlari, toymasin oyna va tasniflash tarmoqlari va issiqlik xaritasi regressiyasidan rejimlardan foydalanish asosida aniqlashni o'z ichiga oladi.
Hujayralarni aniqlash uchun CNN dan foydalanish uchun ishlab chiqilgan ishlardan biri. Ular o'z ishlarida aniqlash vazifasini hujayra markazi yaqinidagi nuqta izohi bilan tuzilgan regressiya muammosi sifatida ko‘rsatdilar. Ular CNN modelini o'rgatadilar, ular kirish sifatida belgilangan o'lchamdagi tasvir patchini oladi va dastlabki kiritish patchining yarmi o‘lchamlari “yaqinlik yamog‘ini” bashorat qiladi. Trening davomida I tasvirga mos keladigan oldindan belgilangan M yaqinlik niqobi quyidagicha hisoblanadi:
M ij = 0 , aks holda, D ( i,j ) ≤ g, (5.1)
Bu erda D ( i,j ) pikseldan ( i,j ) eng yaqin qo'lda izohlangan hujayra markazigacha bo'lgan Evklid masofasini ifodalaydi ( a = 0. 8 va g = 5 ularning qog'ozida). Shuning uchun M ij hujayra markazi uchun 1 qiymatini beradi va markazdan uzoqlashgan sari kamayadi. Xulosa qilish paytida, butun sinov tasviri uchun yaqinlik xaritasini hisoblash uchun ular barcha yaratilgan yaqinlik yamoqlarini toymasin oyna usulida birlashtirishni taklif qilishadi. Shundan so'ng, hujayrani aniqlash ushbu o'rtacha yaqinlik xaritasida mahalliy maksimallarni topish orqali olinadi.
Ushbu yondashuvlardan farqli o'laroq, biz to'liq konvolyutsion regressiya tarmoqlari (FCRN) yordamida ixtiyoriy o'lchamdagi tasvirlar uchun zichlik xaritalarini oxirigacha o'qitish va bashorat qilish imkonini beruvchi modellarga e'tibor qaratamiz. Hujayralarni hisoblash va mikroskopiya tasvirlarining ma'lum bir hududida aniqlash, keyin bashorat qilingan zichlik xaritasidan bir vaqtning o'zida olinishi mumkin.
1. USUL
f ( · ) funksiyasini o‘rganish , I ( x ) tasvirni D ( x ) zichlik xaritasiga solishni maqsad qilgan regressiya muammosi sifatida qaraymiz (5.1-rasm):
D ( x ) = f ( I ( x ); W ) (5.2)
Bu erda I ( x ) ,D ( x ) ∈ R m × n va W 0 s o'rgatish mumkin bo'lgan parametrlarga ishora qiladi.
Aniqroq bo'lish uchun, asosli haqiqat izohlari nuqtalar bilan yaratiladi, bu erda har biri keyin Gauss sifatida ifodalanadi va zichlik xaritasi D ( x ) bu Gausslarning superpozitsiyasi orqali hosil bo'ladi. Asosiy vazifa bu zichlik xaritasini mos keladigan hujayra tasviridan I ( x ) regressiya qilishdir, keyin ma'lum bir mintaqadagi hujayralar sonini D ( x ) ga integrallash orqali olish mumkin va D ( x ) da mahalliy maksimal aniqlash orqali hujayralarni aniqlash mumkin. .
(a) Trening tasviri: I ( x ) (b) Zichlik xaritasi: D ( x )
|
| |
