基于超像素的神经元电镜图像分割算法及校验工具
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 课题背景 | 第10-11页 |
| 1.2 研究目的与意义 | 第11-12页 |
| 1.3 微观重建技术研究现状 | 第12-14页 |
| 1.3.1 稀疏重建 | 第12-13页 |
| 1.3.2 稠密及饱和重建 | 第13-14页 |
| 1.3.3 国内研究进展 | 第14页 |
| 1.4 论文的主要内容及章节安排 | 第14-17页 |
| 1.4.1 本论文的主要研究内容 | 第14-15页 |
| 1.4.2 本论文的研究来源及成果应用 | 第15页 |
| 1.4.3 章节安排 | 第15-17页 |
| 第2章 神经元分割研究基础 | 第17-32页 |
| 2.1 引言 | 第17页 |
| 2.2 神经元分割技术研究现状 | 第17-19页 |
| 2.3 数据基础 | 第19-25页 |
| 2.3.1 神经组织电镜图像获取 | 第19-21页 |
| 2.3.2 微观重建实验平台 | 第21-22页 |
| 2.3.3 本文数据介绍与分析 | 第22-25页 |
| 2.4 算法基础 | 第25-31页 |
| 2.4.1 图像分割基本原理 | 第25页 |
| 2.4.2 图像分割传统方法 | 第25-27页 |
| 2.4.3 基于超像素的图像分割 | 第27-28页 |
| 2.4.4 机器学习在图像分割中的应用 | 第28-31页 |
| 2.5 本章小结 | 第31-32页 |
| 第3章 基于超像素的神经元分割 | 第32-47页 |
| 3.1 引言 | 第32-33页 |
| 3.2 基于深度卷积网络的细胞膜检测 | 第33-37页 |
| 3.2.1 细胞膜的定义 | 第33页 |
| 3.2.2 模型训练 | 第33-36页 |
| 3.2.3 细胞膜检测结果 | 第36-37页 |
| 3.3 基于梯度上升的超像素生成 | 第37-38页 |
| 3.3.1 分水岭算法 | 第37页 |
| 3.3.2 基于分水岭的超像素生成 | 第37-38页 |
| 3.4 建立超像素层级结构 | 第38-42页 |
| 3.4.1 训练合并分类器 | 第38-40页 |
| 3.4.2 构建合并二叉树 | 第40-42页 |
| 3.5 合并超像素 | 第42-44页 |
| 3.5.1 训练结点分类器 | 第43-44页 |
| 3.5.2 解析合并二叉树 | 第44页 |
| 3.6 实验结果及分析 | 第44-46页 |
| 3.7 本章小结 | 第46-47页 |
| 第4章 基于TrakEM的人工校验工具 | 第47-53页 |
| 4.1 引言 | 第47页 |
| 4.2 数据离线转化 | 第47-50页 |
| 4.2.1 图元提取 | 第48页 |
| 4.2.2 图元着色 | 第48-49页 |
| 4.2.3 转化结果 | 第49-50页 |
| 4.3 图元数据加载 | 第50-51页 |
| 4.4 数据在线修改 | 第51-52页 |
| 4.4.1 合并操作 | 第51页 |
| 4.4.2 分裂操作 | 第51-52页 |
| 4.4.3 最短路径分裂操作 | 第52页 |
| 4.5 本章小结 | 第52-53页 |
| 结论 | 第53-55页 |
| 参考文献 | 第55-59页 |
| 攻读硕士学位期间所发表的学术论文 | 第59-60页 |
| 致谢 | 第60页 |
