分析细胞和组织的图像是一个重要的研究领域,因为它构成了大量生物医学应用的基础。诸如细胞核的异质形状,重叠的细胞,背景噪声的存在以及染色和照明条件的变化等许多复杂性使得显微图像的自动化分析成为一个复杂的问题。细胞核分割是分析显微细胞图像的最基本和必要的步骤。尽管多年来已经提出了许多方法,但已有的研究还没有既灵活又准确的方法。因此,提出准确率更高自动化细胞分割方法是必要的。语义分割是计算机视觉领域中最关键的问题之一,包括自动驾驶、图像搜索引擎、虚拟现实和增强现实等一系列的应用都可以从语义分割的研究进展中获得应用性能的极大提高。在深度学习出现以前,很多问题都可以采用传统的图像处理技术和机器学习算法来获得一定程度的解决。但深度学习的出现使得计算机视觉领域出现了革命性的变化,很多计算机视觉领域内的基本问题都可以采用深度学习技术来得到远远超过传统技术的效果。语义分割同样不例外,CNN(卷积神经网络)的采用极大地提升了各种语义分割算法的效果。本文所做主要工作体现在以下几个方面:(1)将流行的语义分割算法加以改进,以应用到医学图像数据集的细胞核分割应用上面。(2)本文基于语义分割模型中常见的编码器-解码器架构进行改进。在编码器阶段,针对语义分割算法在扩展感受野和保持特征图的分辨率两个目标之间的冲突,本文将带孔卷积加入到特征提取网络中。在编码器与解码器之间,为了解决多尺度物体预测的困难,本文设计了一个信息聚合模块,将不同尺度的带孔卷积层和不同尺度的池化层的输出聚合起来,以解决语义分割模型捕获多尺度上下文信息的困难性。同时在解码器阶段,设计了带残差连接的解码器结构用来提升效果。(3)针对细胞核分割任务,本文采用数据增强技术来扩充数据集,并且采用传统图像处理技术(对比度增强,形态学操作例如腐蚀、膨胀、开操作、闭操作等)对数据集和结果进行处理,并且在训练阶段采用k-折交叉验证防止模型过拟合。(4)对本文提出的深度分割算法进行详细的实验,确定每项改进对总体效果提升的贡献情况。