1. 毕业设计（论文）主要内容：

随着现代科技的发展，用计算机处理细胞在医学诊断和医学图像处理领域有着重要的作用。

细胞分割是细胞特征提取和细胞识别的基础，从医学图像中分割出精准的细胞图像是目前极具挑战性的课题。

在细胞的自动识别的研究中产生了有效的分割算法的需求，人们提出了不同的分割算法根据图像的不同特征，如阈值法，分水岭算法等，但是针对粘连的细胞分割一直以来就是一个难题。

2. 毕业设计（论文）主要任务及要求

1. 熟练掌握区域感应卷积神经网络（reginal-based cnn）的原理及结构，能够实现网络在物体检测上的功能，进而移植到细胞图像分割的目标上。

2. 数据标注，对目前已有的图像进行半监督的结果标注，用于训练本课题数据。

3. 完成基于区域感应卷积神经网络的细胞分割模型的训练和测试，分析实验结果。

3. 毕业设计（论文）完成任务的计划与安排

2019年1月11日-2019年1月31日：阅读文献，主要是细胞分割和物体分割的相关的文献；

2019年2月1日-2019年2月28日： 掌握技能，具有针对性的学习编程语言，算法，图像处理相关知识，实现基于reginal-based cnn的目标检测算法，完成开题报告；

2019年3月1日-2019年3月31日： 细胞分割数据标注及训练；

4. 主要参考文献

1. carpenter, a. e. et al. cellprofiler: image analysis software for identifying and quantifying
cell phenotypes. genome biol. 7, r100 (2006).
2. schindelin, j. et al. fiji: an open-source platform for biological-image analysis. nat.
methods 9, 676–682 (2012).

3. ronneberger, o., fischer, p. amp; brox, t. u-net: convolutional networks for biomedical
image segmentation. med. image comput. comput. assist. interv. (2015).
4. van valen, d. a. et al. deep learning automates the quantitative analysis of individual
cells in live-cell imaging experiments. plos comput. biol. 12, e1005177 (2016).
5. gustafsdottir, s. m. et al. multiplex cytological profiling assay to measure diverse cellular
states. plos one 8, e80999 (2013).
6. dima, a. a. et al. comparison of segmentation algorithms for fluorescence microscopy
images of cells. cytometry a 79, 545–559 (2011).
7. shelhamer, e., long, j. amp; darrell, t. fully convolutional networks for semantic
segmentation. arxiv [cs.cv] (2016).

8. bray, m.-a. et al. cell painting, a high-content image-based assay for morphological
profiling using multiplexed fluorescent dyes. biorxiv 049817 (2016). doi:10.1101/049817