基于二级U-Net的小样本下秀丽隐杆线虫端泡分割方法

针对基于深度学习的卷积神经网络需要巨大的数据样本才能得到较好的效果.该研究在加入数据扩充的基础下,基于U-Net网络提出了一种二级卷积神经网络在小样本下的秀丽隐杆线虫端泡自动分割方法,并在第一级网络加入最大包含损失来降低两级网络的内部干扰.解决了应用传统单级网络在小样本下分割效果不好的问题.实验表明,对与秀丽隐杆线虫端...     

基于人工神经网络的秀丽隐杆线虫趋温性行为的建模与仿真

为了模拟秀丽隐杆线虫的趋温性行为,提出一种通过人工神经网络对秀丽隐杆线虫的趋温性行为进行建模的方法,并进行实验仿真。首先,建立秀丽隐杆线虫的运动模型;然后,通过设计非线性函数逼近线虫趋温性的运动逻辑,实现运动速度和偏向角度的改变功能;最后,通过人工神经网络对该非线性函数进行学习,从而在Matlab环境中对上述过程进行实验仿真,模拟出了秀丽隐杆线虫的趋温性行为。实验结果表明,在更接近生物体本质的条件下,反馈（BP）神经网络比径向基函数（RBF）神经网络能更好地模拟线虫的趋温性行为。同时也表明所提方法能够很好地模拟秀丽隐杆线虫的趋温性行为,在一定程度上揭示了线虫趋温性的实质,理论上支持了爬虫机器人的趋温性研究。     

基于深度学习的秀丽隐杆线虫显微图像分割方法

利用计算机实现自动、准确的秀丽隐杆线虫(C.elegans)的各项形态学参数分析,至关重要的是从显微图像上分割出线虫体态,但由于显微镜下的图像噪声较多,线虫边缘像素与周围环境相似,而且线虫的体态具有鞭毛和其他附着物需要分离,多方面因素导致设计一个鲁棒性的C.elegans分割算法仍然面临着挑战。针对这些问题,提出了一种基于深度学习的线虫分割方法,通过训练掩模区域卷积神经网络(Mask R-CNN)学习线虫形态特征实现自动分割。首先,通过改进多级特征池化将高级语义特征与低级边缘特征融合,结合大幅度软最大损失(LMSL)损失算法改进损失计算;然后,改进非极大值抑制;最后,引入全连接融合分支等方法对分割结果进行进一步优化。实验结果表明,相比原始的Mask R-CNN,该方法平均精确率(AP)提升了4.3个百分点,平均交并比(mIOU)提升了4个百分点。表明所提出的深度学习分割方法能够有效提高分割准确率,在显微图像中更加精确地分割出线虫体。