机构名称：
¥ 1.0
在本文中，我们提出了一个自动细胞计数框架，用于刺激拉曼散布（SRS）图像，该框架可以帮助肿瘤组织特征分析，癌症诊断和手术计划过程。SRS显微镜通过绘制新鲜标本的脂质和蛋白质并进行了快速披露具有高分辨率的肿瘤的基本诊断标志，从而促进了肿瘤诊断和手术。然而，由于细胞和tis-sue的对比度有限，以及组织形态和生化组成的异质性，从无标记的SRS图像计数一直在挑战。为此，通过修改和应用U-NET（一种使用少量训练样本的有效的医学图像语义分割模型），提出了一种基于学习的细胞计数方案。还实施了距离变换和流域分割算法以产生细胞实例分割和细胞计数结果。通过对真实人脑肿瘤标本的SRS图像进行计数，在曲线下（AUC）的面积> 98％获得了有希望的细胞计数结果，而R = 0.97，就SRS和Hemoxoxylin和eosin（H＆E）的组织学图像之间的细胞计数相关性而言。所提出的细胞计数方案说明了自动实时自动进行细胞计数的可能性和潜力，并鼓励研究将深度学习技术应用于生物医学和病理图像分析。
使用深度学习
主要关键词
相关文件推荐
