基于深度学习的三维细胞图像分割技术的研究

Due to the large size of microscopic cell datasets, increasing numbers of medical researches relay on computer-aid system to automatically complete image processing tasks, such as cell classification, cell tracking, etc. The area of image segmentation techniques, as the essential step for lots of processing tasks, gains attention from the community..The image segmentation is a typical topic which has been extensively studied. However, most of the previous works were focused on 2-D cell images. As the improvement of 3-D cell culture, medical researchers begin to use 3-D cell images in their studies. Hence, the segmentation of 3-D cell images becomes a challenge waiting to be addressed..This project aims to address the problem of 3-D cell image segmentation using the advanced approach, i.e. deep learning network. The study plans to analyze existing 2-D deep learning approaches and project the 2-D network into 3-D space. As a result, the study will help the artificial intelligence to provide better performances in the field of 3-D medical image processing.

由于细胞图像库的数据量十分庞大，相关医学研究日益依赖于使用计算机对细胞图像自动完成包括细胞分类，细胞追踪等处理任务。图像分割技术作为上述处理任务的基础环节，其结果的精度将对这些后续任务产生直接影响。.现阶段，针对显微细胞图像，已有大量分割算法被提出并运用于实际应用中。但其中大部分算法只适用于二维显微图像。在细胞和组织培养领域，二维（2D）培养的局限性和三维（3D）培养的优点日益凸显，这使得越来越多的医学研究开始使用三维显微图像。然而，目前仍未有分割方法能对三维显微图像实现精确分割。.本项目拟利用最前沿的深度学习技术解决三维细胞图像分割问题。本项目将立足于已有的二维深度学习网络架构，通过研究二维与三维的空间映射关系，实现三维深度学习网络的搭建与相关优化算法的开发，为未来人工智能在三维细胞及其他相关医学图像中的实际应用提供良好的算法基础。

由于细胞图像库的数据量十分庞大，相关医学研究日益依赖于使用计算机对细胞图像自动完成包括细胞分类，细胞追踪等处理任务。图像分割技术作为上述处理任务的基础环节，其结果的精度将对这些后续任务产生直接影响。..现阶段，针对显微细胞图像，已有大量分割算法被提出并运用于实际应用中。但其中大部分算法只适用于二维显微图像。在细胞和组织培养领域，二维（2D）培养的局限性和三维（3D）培养的优点日益凸显，这使得越来越多的医学研究开始使用三维显微图像。然而，目前仍未有分割方法能对三维显微图像实现精确分割。..本项目根据显微图像和深度学习技术的发展趋势，在完成原研究计划中显微细胞分割与追踪的基础上，进一步对研究方向进行拓展。所拓展的方向包括在医学图像中主动学习（active learning）、自监督学习（self-supervised learning）和领域自适应（domain adaptation）技术的运用。与原计划相比，本项目在深度与广度都有显著的提升。同时，通过与医生的交流，我们将原计划中针对显微图像设计的深度学习算法拓展到更多的医学数据上（包括核磁共振影像，宫颈内镜图像等），从而使项目的研究产出更贴近临床需求，提升其临床价值。