基于CycleGAN的虚拟定量差分相衬成像用于红细胞分类

目的通过深度学习技术实现虚拟定量差分相衬(Virtual Quantitative Differential Phase Contrast,V-qDPC)重建,提高定量相位成像衬度和鲁棒性,为无标记红细胞的全自动分类提供新思路。方法通过对LED照明进行编码获得明场图像和差分相衬图像,通过相位重建可获得定量差分相衬(Quantitative Differential Phase Contrast,qDPC)图像;采用循环一致生成对抗网络(Cycle-consistent Generative Adversarial Network,CycleGAN)完成明场图像到qDPC图像的端到端映射。结果基于CycleGAN生成的V-qDPC图像,实验参数当λ=7和β=0.5时,V-qDPC图像质量最优;相比光学重建的qDPC图像有更好的鲁棒性和抗噪声能力;使用AlexNet、ResNet50和VggNet三种网络模型比较无标记红细胞形态的自动分类,结果表明V-qDPC图像比qDPC图像具有更好分类性能。结论与传统的基于多幅倾斜照明图像的qDPC重建相比,V-qDPC算法具有更好的相位图像质量和鲁棒性,适合以高精度和高效率实现全自动细胞分类,同时省去了成像光路和硬件支持,有望应用于生物医学研究。

区域生长和U-Net结合的视网膜血管分割系统设计与实现

目的在探索区域生长与U-Net相结合在视网膜血管分割系统中的应用,通过开发的系统自动分割视网膜血管,为医生提供视网膜血管结构变化的准确信息,提高诊断和治疗的效率。方法结合U-Net网络和区域生长对预处理后的视网膜血管进行自动分割,并通过控件的设计将算法集成到视网膜血管分割系统中。结果血管分割性能指标—准确率、敏感度、特异性的平均值分别为0.9777、0.7684和0.9821,区域生长能够提高细微视网膜血管的分割准确率。结论该系统具有界面简洁、操作方便的特点,实现了高精度、可视化的自动视网膜血管分割,为医师观察视网膜血管结构的变化提供了一种有效的计算机辅助诊断平台,也为医师判断病变性质提供了思考方向。