生物医学显微图像超分辨中的人工神经网络应用研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1.绪论 | 第8-12页 |
| 1.1 研究背景与意义 | 第8-9页 |
| 1.2 传统超分辨方法介绍 | 第9-10页 |
| 1.3 神经网络在生物医学图像增强中的应用 | 第10-11页 |
| 1.4 本文研究内容与组织结构 | 第11-12页 |
| 2.生成对抗性网络超分辨方法 | 第12-21页 |
| 2.1 引言 | 第12页 |
| 2.2 人工神经网络的训练与使用 | 第12-14页 |
| 2.3 图像降质模型 | 第14-17页 |
| 2.4 神经网络结构 | 第17-20页 |
| 2.5 本章小结 | 第20-21页 |
| 3.实验与分析 | 第21-33页 |
| 3.1 引言 | 第21页 |
| 3.2 分辨率测试板明场显微成像 | 第21-23页 |
| 3.3 双通道成纤维细胞荧光显微图像 | 第23-25页 |
| 3.4 病理组织切片彩色明场图像 | 第25-26页 |
| 3.5 小鼠全脑光片荧光显微图像 | 第26-28页 |
| 3.6 保真度分析 | 第28-29页 |
| 3.7 鲁棒性分析 | 第29-31页 |
| 3.8 对抗性损失函数的必要性 | 第31-32页 |
| 3.9 本章小结 | 第32-33页 |
| 4.超分辨GAN在生物医学研究中的应用 | 第33-36页 |
| 4.1 引言 | 第33页 |
| 4.2 鼠脑光片荧光图像中的神经元胞体识别与计数 | 第33-34页 |
| 4.3 病理组织切片图像中的细胞核计数 | 第34-35页 |
| 4.4 本章小结 | 第35-36页 |
| 5.程序设计 | 第36-46页 |
| 5.1 引言 | 第36页 |
| 5.2 TensorFlow编程模型 | 第36-38页 |
| 5.3 优化算法比较 | 第38-44页 |
| 5.4 图像插值算法 | 第44-45页 |
| 5.5 本章小结 | 第45-46页 |
| 6.全文总结与展望 | 第46-48页 |
| 6.1 结论 | 第46-47页 |
| 6.2 下一步工作 | 第47-48页 |
| 致谢 | 第48-49页 |
| 参考文献 | 第49-53页 |
| 附录1 攻读硕士学位期间发表论文目录 | 第53-54页 |
| 附录2 本文使用的Python源程序 | 第54-67页 |
