【病理图像细胞核分割自适应阈值算法分析概述1800字】

第I页病理图像细胞核分割自适应阈值算法分析概述目录TOC\o"1-3"\h\u13361病理图像细胞核分割自适应阈值算法分析概述 1272341.1研究问题分析 1268971.2DQN算法简介 1151461.1.1DQN算法基本思想 111861.1.2DQN算法流程 2108521.3基于DQN算法的自适应阈值分割算法 31.1研究问题分析图1.1从左到右分别展示了一张乳腺癌组织病理图像原图、FullNet粗分割结果在概率为0.5的硬阈值下的二值化分割结果和GroudTruth。可以发现，FullNet网络粗分割结果在使用硬阈值分割后的图像中存在大量的边界损失和前背景错分现象，与GroundTruth相比有较大差距。图1.1乳腺癌组织病理图像分割结果对比图1.2DQN算法简介1.1.1DQN算法基本思想DQN算法全称为DeepQ-LearningNetwork算法，是一种将Q-learning算法与神经网络相结合的算法。基本思想如下：（1）值函数近似：将Q-learning算法中Q表的更新问题变成函数拟合问题，使用神经网络（Q网络）代替Q表，通过更新网络的参数θ使Q函数逼近于最优Q值：Q其中s表示当状态，a表示当前动作，θ表示网络的权重参数，Q(s,a;θ)表示当前状态的动作值函数近似表示，Q∗（2）经验回放：由于智能体探索环境采集到的样本之间具有连续性,因此需要将每个时间步智能体与环境交互得到的样本{φsj,aj,rj,φ（3）构造标签：在DQN算法中将目标Q值作为标签，通过Q-learning算法的更新公式获取目标Q值：y其中yj表示目标Q值，rj表示回报，γ表示折扣因子，将Q网络计算得到的Q值作为预测，则损失函数L(θ)表示如下：L(θ)=1其中m表示从经验回放集合中采集m个样本{φsj,aj1.1.2DQN算法流程DQN算法流程图如图1.2所示。图1.2DQN算法基本流程图DQN算法的基本流程描述如下：智能体不断地探索环境，根据ε−greedy策略选择动作，将经验池积累到一定程度后开始训练Q网络；将当前状态作为Q网络的输入，输出每个动作对应的Q值；从经验回放集合中随机抽取m个样本，计算获得目标Q值；使用经验回放获得的目标Q值和Q网络获得的Q值之间的均方误差作为损失函数；采用梯度下降算法对神经网络模型的损失函数L(θ)中的权重参数θ进行求解。1.3基于DQN算法的自适应阈值分割算法本文借鉴了朱亮等人使用强化学习Q-learning算法进行肺癌细胞分割的思想[17]，提出了一种基于强化学习DQN算法获取细胞核自适应阈值的分割算法。核心是进行强化学习阈值分割环境的定义以及设计DQN算法中的Q网络结构。强化学习阈值分割环境定义如下：（1）状态：衡量当前二值化图像的质量，使用边缘比和面积比共同表示。使用边缘比或面积比单独表示时，算法不收敛。当前阈值T下分割结果的细胞核边缘与使用Sobel算子分割结果边缘的交并比C：C其中Sobel算子可以换为Prewitt算子。当前阈值T下分割结果的细胞核面积与使用OTSU算法分割结果面积的交并比D：D由于黑色像素点的灰度值为0，不参与交并比运算中的计数，需要将细胞核区域置为白色，使其有效参与计数。使用S[T]表示当前阈值T下的状态：S（2）动作：改变阈值，即在动作集合A中选取一个整数，处理结果必须在0-255范围内，其中动作集合A=[-50,-10,-5,-1,0,1,5,10,50]。（3）回报：基于当前阈值T下的分割结果与GroundTruth进行定义：RewardArray其中B0和F0表示GroundTruth的背景和前景，BT只使用上式表示回报时算法不收敛，需要加入阈值相关的奖励。即使用下一状态的阈值和当前状态的阈值对应的回报偏差共同衡量，差值大于0则表示朝着分割精度提高的方向前进：R=RewardArray其中next_t表示下一状态的阈值，t表示当前状态的阈值。Q网络结构：使用两层全连接神经网络来提取细胞核病理图像的特征，网络第一层的权重大小为[state_dim,20]，第二层的权重大小为[20,action_dim