Тема выпускной квалификационной работы: «Система отслеживания биологических клеток в режиме реального времени». В данной работе рассматривается предложенная улучшенная U-сеть и комбинируется регрессия ограничительной рамки для решения задачи отслеживания ячеек. Технология обработки медицинских изображений используется для анализа и обработки изображений, определения положения, сегментации и извлечения мягких тканей и больного тела и достижения относительно хороших результатов. Путем сегментации и отслеживания изображений медицинских клеток можно эффективно решить некоторые медицинские проблемы. Поэтому мы предлагаем улучшенную модель нейронной сети, основанную на традиционной структуре U-сети в сочетании с регрессией ограничивающей рамки, для достижения отслеживания ячеек в реальном времени. Экспериментальные результаты показывают, что по сравнению с традиционным алгоритмом сегментации ячеек алгоритм, предложенный в эта бумага имеет более высокую точность и меньшие потери. Точность модели, предложенной в этой статье, может достигать 98,46%, а потери могут составлять всего 2,8%. Результаты этой диссертации могут помочь протестировать мелкомасштабные клеточные модели. Обеспечить основу метода для интеллектуальной системы медицинской диагностики на основе по глубокому обучению.

The subject of the graduate qualification work is “real-time system for biological cell tracking”. The given work addresses the proposed an improved U-net and combinethe bounding box regression to achieve cell tracking task. Medical image processing technology is used to analyze and process images, realize the position detection, segmentation and extraction of soft tissue and diseased body, and achieve relatively good results. By segmenting and track- ing medical cell images, some medical problems can be effectively solved. Therefore, we propose an improved neural network model based on the traditional U-net structure, combined with bounding box regression, to achieve realtime cell tracking. The experimental results show that, compared with the traditional cell segmentation algorithm, the algorithm proposed in this paper has higher accuracy and lower loss. The accuracy of the model proposed in this paper can reach 98.46%, and the loss can be as low as 2.8%.The results of this thesis can help to test smallscale cellular models. Provide a method basis for intel- ligent medical diagnosis system based on deep learning.

• Contents
• Introduction
  • Background and significance
  • The content and structure of thesis
• 1 Literature review
• 1.1. Chapter basic description
• 1.2. Common cell segmentation methods
  • 1.2.1. Watershed algorithm
  • 1.2.2. Edge detection algorithm
  • 1.2.3. Otsu’s methods
  • 1.2.4. U-net
• 1.3. Common cell tracking methods
  • 1.3.1. Cell tracking method based on segmentation
  • 1.3.2. Cell tracking method based on random filtering
  • 1.3.3. Cell tracking method based on model
• 1.4. Conclusion
• 2 Implementation of segmentation algorithm
• 2.1. Chapter basic description
• 2.2. Watershed algorithm
• 2.3. Edge detection algorithm
• 2.4. Otsu’s Methods
• 2.5. U-net
• 2.6. Comparison
• 2.7. Conclusion
• 3 Real-time system performance measurements
• 3.1. Chapter basic description
• 3.2. Improved U-net
• 3.3. Bounding Box Regression
• 3.4. Conclusion
• 4 Summary and outlook
• References
• Appendix Code of this work