摘要

目标分割和结构定位是显微图像自动化分析流程中的重要步骤。本文介绍了一种基于卷积神经网络（CNN）的深度学习架构，用于显微图像中目标的分割。所提出的网络在对输入参数进行轻微调整后，可以应用于荧光显微镜和组织学图像中细胞、核和腺体的分割。该网络在输入图像的多个分辨率上进行训练，通过连接中间层以提高定位精度和上下文理解，并利用多分辨率反卷积滤波器生成输出结果。额外的卷积层绕过了最大池化操作，使得网络能够适应不同的输入强度和目标尺寸，从而提高了对噪声数据的鲁棒性。我们在公开可用的数据集上进行了实验比较，结果显示所提出的网络优于近期的深度学习算法。