| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第10-23页 |
| 1.1 神经元形态自动重建及相关算法 | 第10-11页 |
| 1.2 基于虚拟细胞成像的图像分析算法 | 第11-15页 |
| 1.2.1 虚拟细胞模型 | 第13页 |
| 1.2.2 虚拟显微镜 | 第13-14页 |
| 1.2.3 虚拟图像检测 | 第14页 |
| 1.2.4 有效性及局限性分析 | 第14-15页 |
| 1.3 图像处理相关深度网络 | 第15-19页 |
| 1.3.1 分类网络 | 第16-17页 |
| 1.3.2 目标检测网络 | 第17-18页 |
| 1.3.3 分割网络 | 第18页 |
| 1.3.4 生成网络 | 第18-19页 |
| 1.4 基于虚拟细胞成像和深度学习的神经元分支点检测 | 第19-21页 |
| 1.5 本文研究内容和组织结构 | 第21页 |
| 1.6 本章小结 | 第21-23页 |
| 第2章 基于光学模型的虚拟神经元成像算法 | 第23-40页 |
| 2.1 神经元的虚拟3D成像 | 第23-32页 |
| 2.1.1 虚拟神经元的模型描述 | 第23-25页 |
| 2.1.2 虚拟神经元的生成和绘制 | 第25-29页 |
| 2.1.3 虚拟神经元光学成像模型 | 第29-32页 |
| 2.2 模拟神经元图像与真实图像的相似度对比实验 | 第32-38页 |
| 2.2.1 基于颜色直方图特征的相似度对比 | 第33-35页 |
| 2.2.2 基于图像颜色矩特征的相似度对比 | 第35-37页 |
| 2.2.3 基于信噪比特征的相似度对比 | 第37-38页 |
| 2.3 本章小结 | 第38-40页 |
| 第3章 基于3D卷积神经网络的分支点检测 | 第40-53页 |
| 3.1 模型选择及训练方式 | 第41-43页 |
| 3.2 不同训练数据及预处理方式的对比 | 第43-44页 |
| 3.3 真实神经元的分割和分支点检测 | 第44-48页 |
| 3.3.1 神经元分割与分支点检测算法 | 第44-47页 |
| 3.3.2 神经元分割结果及准确率分析 | 第47-48页 |
| 3.4 神经网络与经典线性模型的对比 | 第48-50页 |
| 3.5 神经网络与neuTube分割结果对比 | 第50-51页 |
| 3.6 本章小结 | 第51-53页 |
| 第4章 基于生成对抗网络的虚拟神经元图像优化 | 第53-60页 |
| 4.1 神经元形态优化网络nsrGAN | 第54-57页 |
| 4.1.1 结合正则化损失的对抗训练 | 第55-57页 |
| 4.2 nsrGAN对模拟图像的优化与分析 | 第57-58页 |
| 4.3 本章小结 | 第58-60页 |
| 第5章 总结和展望 | 第60-63页 |
| 5.1 总结 | 第60-61页 |
| 5.2 展望 | 第61-63页 |
| 参考文献 | 第63-67页 |
| 攻读硕士学位期间的主要研究成果 | 第67-68页 |
| 致谢 | 第68页 |