{“状态”：“确定”，“消息类型”：“工作”，“信息版本”：“1.0.0”，“邮件”：{“索引”：{“日期-部件”：[[2024,9,25]]，“日期-时间”：“2024-09-25T12:05:39Z”，“时间戳”：1727265939131}，“参考-计数”：68，“出版商”：“Springer Science and Business Media LLC”时间“：”2019-09-14T00:00:00Z“，“timestamp”：1568419200000}，“content-version”：“tdm”，“delay-in-days”：0，“URL”：“https:\/\/creativecommons.org\/licenses\/by\/4.0”}，{“start”：{“date-parts”：[[2019,9,14]]，“date-time”：“2019-09-14T00:00:00Z”，“timetamp”：1558419200000neneneep，“content-version”：“vor”，“delay-in-days”：“0，”URL“https:\\”/creativecommons.org\/licenses\/by\/4.0“}]，“资助者”：[{“DOI”：“10.13039\/100000002”，“name”：“美国国立卫生研究院”，“doi-asserted-by”：“crossref”，“adward”：[“R21CA237493”]，“id”：[{“id”:“10.13029\/10000002002”，“id type”：“doi”，“asserted by”：“crossref”}]]，“content-domain”：{“domain”:[“link.springer.com]，“crossmark-restriction”：false}，“short-container-title”：[”BMC Bio信息学“]，“published-print”：{“日期部分”：[[2019,12]]}，“摘要”：“摘要<\/jats:title>背景<\/jats:title>细胞核或细胞检测是显微图像分析中的一项基本任务，支持许多其他定量研究，如物体计数、分割、跟踪等。深层神经网络正在成为生物医学图像计算的强大工具；特别是，卷积神经网络已被广泛应用于显微镜图像中的细胞核/细胞检测。然而，几乎所有模型都是针对特定数据集定制的，它们对其他显微镜图像数据的适用性尚不清楚。一些现有的研究在多个显微镜数据集上随意学习和评估深层神经网络，但仍有几个关键的开放性问题有待解决<\/jats:p>结果<\/jats:title>我们分析了深层模型的适用性特别是<\/jats:italic>用于各种显微镜图像数据中的细胞核检测。更具体地说，我们提出了一个基于全卷积网络的回归模型，并在大规模数字病理学和显微镜图像数据集上对其进行了广泛评估，这些数据集由23个器官（或癌症疾病）组成，来自多个机构。我们证明，对于特定的目标数据集，使用来自相同类型器官的图像进行训练对于细胞核检测通常是必要的。虽然由于相同的染色技术和成像协议，图像在视觉上可能相似，但从不同器官的图像中学习的深度模型可能不会产生理想的结果，并且需要对模型进行微调，使其与使用目标数据训练的模型相平。我们还观察到，混合使用目标和其他非目标数据进行训练并不总是意味着核检测的准确性更高，而且可能需要在模型训练期间进行适当的数据操作，以获得良好的性能<\/jats:p>结论我们对各种显微镜图像中的细胞核检测深度模型进行了系统的案例研究，旨在解决几个重要但以前未被研究的问题。我们提出并广泛评估了一个端到端、像素到像素的完全卷积回归网络，并报告了一些重要的发现，其中一些可能在以前的研究中没有报告过。模型性能分析和观察将有助于显微图像中的细胞核检测<\/jats:p><\/jats:sec>“，”DOI“：”10.1186\/s12859-019-3037-5“，”type“：”期刊文章“，”created“：｛”日期部分“：[[2019,9,14]，”日期时间“：”2019-09-14T05:02:37Z“，”时间戳“：1568437357000｝，”更新策略“：”http:\/\/dx.DOI.org/10.1007\/springer_crosmark_policy“，”source“：”Crossref“，”由count引用“：13，”title“：[”面向显微图像中像素到像素深核检测“]，”前缀“：”10.1186“，”卷“：”20“，”作者“：[{”ORCID“：”http://\/ORCID.org\/0000-0003-0982-8675“，”认证指令“：false，”给定“：”福永“，”家族“：”兴“，”序列“：”第一“，”从属“：[]}，{”给定“:”袁浦“，”家庭“：”谢“，”顺序“：”附加“，”隶属“：[]}，”给定：“小双”，“家庭”：“石”，“序列”：“附加”，“从属”：[]}，{“给定”：“平军”，“家族”：“陈”，“顺序”：“额外”，“隶属”：[]}，}“给定的”：“子照”，“家人”：“张”，“次序”：“添加”，“附属”：[[]}，{”给定“：林”，“家”：“杨”，“序号”：“新增”，“归属”：[4]]，“成员”：“297”，“在线发布：{date-parts“：[[2019,9,14]]}，”reference“：[{”key“：”3037_CR1“，”doi-asserted-by“：”publisher“，“first page”：“315”，“doi”：“10.1146\/annurev-bioeng-070909-105235”，“volume”：”12“，”author“：”J Rittscher“，”year“：”2010“，”unstructured“：”Rittscher-J.《通过自动图像分析表征生物过程》，Annu Rev Biomed Eng.2010；12:315\u201344.“，”journal-title“：”Annul Rev Biomed Eng“}，{”key“：”3037_CR2“，”doi-asserted-by“：”publisher“，”first page“：“147”，”doi“：”10.1109\/RBME.2009.2034865“，”volume“：2”，”author“：”MN Gurcan“，”year“：”2009“，”unstructured“：”Gurcan MN，Boucheron LE，Can A，Madabushi A，Rajpoot NM，Yener B。组织学图像分析：综述。IEEE Rev Biomed Eng.2009；2:147\u201371.“，”journal-title“：”IEEE Rev Biomed Eng“}，{“key”：“3037_CR3”，“doi-asserted-by”：“publisher”，“first page”：”97“，”doi“：”10.1109\/RBME.2013.2295804“，”volume“：”7“，”author“：”H Irshad“，”year“：”2014“，”unstructured“：”Irshad-H，Veillard A，Roux L，Racoceanu D。数字组织病理学中的细胞核检测、分割和分类方法：2013年现状和未来潜力综述。IEEE生物识别工程2014年修订版；7:97\u2013114.“，”journal-title“：”IEEE Rev Biomed Eng“}，{”issue“：”24“，”key“：”3037_CR4“，”doi-asserted-by“：”publisher“，”first page“：“5529”，”doi“：”10.1242\/jcs.123604“，“volume”：“126”，“author”：“C Sommer”，“year”：“2013”，“unstructured”：“Sommer C，Gerlich DW.细胞生物学中的机器学习教计算机识别表型。细胞科学杂志。2013年；126（24）：5529\u201339.“，”journal-title“：”J Cell Sci“}，{”issue“：”6“，”key“：”3037_CR5“，”doi-asserted-by“：”publisher“，”first page“：“1099”，”doi“：”10.1136\/amiajnl-2012-001540“，”volume“:”20“，”author“：”S Kothari“，“year”：“2013”，”unstructured“：”Kotharis S，Phan JH，Stokes TH，Wang MD。用于全滑图像定量分析的病理成像信息学。2013年美国医学信息协会杂志；20（6）:10109\u2013108.”，“期刊标题”：“J Am Med Inform Assoc”}，｛“密钥”：“3037_CR6”，“doi断言者”：“出版商”，“第一页”：“234”，“doi”：“10.1109\/RMME.2016.2511527”，“卷”：“9”，“作者”：“F Xing”，“年份”：“2016”，“非结构化”：“Xing F，Yang L。数字病理学和显微镜图像中稳健的细胞核检测和分割：综合评述。IEEE生物识别工程版2016；9:234\u201363.“，”journal-title“：”IEEE Rev Biomed Eng“}，{”issue“：”5“，”key“：”3037_CR7“，”doi-asserted-by“：”publisher“，”first page“：“1400”，”doi“：”10.1109\/TBME.2014.2303852“，”volume“：：”61“，”author“：”M Veta“，”year“：”2014“，”unstructured“：”Veta M，Pluim JPW，van Diest PJ，Viergever MA。乳腺癌组织病理学图像分析：综述。IEEE Trans Biomed Eng.2014；61（5）：1400\u201311.“，”journal-title“：”IEEE Trans Biomed Eng“}，{”issue“：”1“，”key“：”3037_CR8“，”doi-asserted-by“：”publisher“，”first page“：“310”，”doi“：”10.1186\/1471-2105-15-310“，“volume”：“15”，“author”：“H Wang”，“year”：“2014”，“unstructured”：“Wang H，Xing F，Su H，Stromberg A，Yang L.”。用于非小细胞肺癌分类和生存预测的新型图像标记物。BMC生物信息学。2014; 15（1）:310.”，“期刊标题”：“BMC生物信息学”}，{“键”：“3037_CR9”，“doi断言”：“出版商”，“第一页”：“1250”，“doi”：“10.1038\/nbt.3722”，“卷”：“34”，“作者”：“E Meijering”，“年份”：“2015”，“非结构化”：“Meijering E，Carpenter AE，Peng H，Hamprecht FA，Olivo Marin J-C.想象生物图像分析的未来。Nat Biotechnol.2015；34:1250\u20135.“，”journal-title“：”Nat Biotechol“}，{”issue“：”5“，”key“：”3037_CR10“，”doi-asserted-by“：”publisher“，”first page“：“1153”，”doi“：”10.1109\/TMI.2016.2553401“，“volume”：“35”，“author”：“H Greenspan”，“year”：“2016”，“unstructured”：“Greenspan H，van Ginneken B，Summers RM。特邀编辑深入学习医学成像：一项令人兴奋的新技术的概述和未来前景。IEEE Trans Med成像。2016; 35（5）：1153\u20139.”，“新闻标题”：“IEEE Trans-Med Imaging”}，{“非结构化”：“Goodfellow I，Bengio Y，Courville A.深度学习，2016。为麻省理工学院出版社准备的书籍。http://www.deeplearningbook.org。2017年12月访问。“，”key“：”3037_CR11“}，{“issue”：“28”，“key”：“3037_CR12”，“doi-asserted-by”：“publisher”，“first page”：”436“，”doi“：”10.1038\/nature14539“，”volume“：“521”，“author”：“Y LeCun”，“year”：“2015”，“unstructured”：“LeCun Y，Bengio Y，Hinton G.Deep learning.Nature.2015；521（28）：436\u201344.”，“journal-title“：”Nature“}，{”issue“：”10“，”key“：”3037_CR13“，”doi-asserted-by“：”publisher“，”first page“：”4550“，”doi“：”10.1109\/TNNLS.2017.2766168“，“volume”：“29”，“author”：“F Xing”，“year”：“2018”，“unstructured”：“Xing F，Xie Y，Su H，Liu F，Yang L.显微镜图像分析深度学习：一项调查。IEEE Trans Neural Netw学习系统。2018; 29（10）：4550\u201368.“，”journal-title“：”IEEE Trans Neural Netw Learn Syst“}，{”volume-title”：“Int.Conf.Mach.Learn”，“year”：“2014”，“author”：“J Donahue”，“unstructured”：“DonahueJ，Jia Y，Vinyals O，Hoffman J，Zhang N，Tzeng E，Darrell T.Decaf:通用视觉识别的深度卷积激活功能。In:Int.Conf。机器。学习。北京：PMLR:2014。p.647\u201355.“，”key“：”3037_CR14“}，{”doi-asserted-by“：”crossref“，”unstructured“：”Razavian AS，Azizpour H，Sullivan J，Carlsson S.Cnn features off-shelf：一个惊人的识别基线。In:IEEE Conf.Compute.Vis.Pattern Recognit.Workshops.IEEE:2014。第512\u20139页。https:\/\/doi.org\/10.109%2Fcvprw.2014.131。“，”key“：”3037_CR15“，”DOI“：”10.1109\/CVPRW.2014.131“}，{“issue”：“3”，“key”：“3037_CR16”，“DOI-asserted-by”：“publisher”，“first page”：”211“，“DOI”：“10.1007\/s11263-015-0816-y”，“volume”：揬115擞，“author”：“O Russakovsky”，揬S、M。S，Huang Z，Karpathy A，Khosla A，Bernstein M，Berg AC，Li F-F.Imagenet大型视觉识别挑战。国际J计算视觉。2015; 115（3）:211\u201352.”，“期刊标题”：“Int J Comput Vis”}，｛“key”：“3037_CR17”，“doi断言者”：“出版商”，“首页”：“818”，“doi”：“10.1007\/978-3-319-10590-1_53”，“卷标题”：“计算机视觉\u2013 ECCV 2014”，“作者”：“Matthew D.Zeiler”，“年份”：“2014”，“非结构化”：“Zeiler MD，Fergus R。可视化和理解卷积网络。单位：欧元。Conf.计算。视觉。施普林格国际出版公司：2014年。第818页\u201333。https:\/\/doi.org\/10.1007%2F978-3-319-10590-1_53。“}，{”doi-asserted-by“：”crossref“，”unstructured“：”Girshick R，Donahue J，Darrell T，Malik J。用于准确对象检测和语义分割的丰富特征层次。In:IEEE Conf.Compute.Vis.Pattern Recognit。IEEE:2014。第580\u20137页。https:\/\/doi.org\/10.109%2Fcvpr.2014.81。“，”key“：”3037_CR18“，”DOI“：”10.1109\/CVPR.2014.81 st RT、Kendall CB、Gotway MB、Liang J。医学图像分析的卷积神经网络：全训练还是微调？IEEE Trans Med成像。2016; 35（5）：1299\u2013312.“，”journal-title“：IEEE Trans-Med Imaging”}，{“issue”：“5”，“key”：“3037_CR20”，“doi-asserted-by”：“publisher”，“first page”：”1285“，”doi“：”10.1109\/TMI.2016.2528162“，”volume“：”35“，”author“：”HC Shin“，”year“：”2016“unstructured”：“Shin HC，Roth HR，Gao M，Lu L，Xu Z，Nogues I，Yao J，Moll乌拉·D，萨默斯·RM。用于计算机辅助检测的深度卷积神经网络：Cnn结构、数据集特征和传输学习。IEEE Trans Med成像。2016; 35（5）:1285\u201398.”，“期刊标题”：“IEEE跨医学成像”}，{“doi断言”：“crossref”，“非结构化”：“Xu Y，Jia Z，Ai Y，Zhang F，Lai M，Chang EIC.用于大规模脑肿瘤组织病理学图像分类和分割的深度卷积激活特征。在：IEEE国际会议。声学，语音，信号处理。IEEE：2015。第947页\u201351。https:\/\/doi.org\/10.1109%2Ficassp.2015.7178109。“，”key“：”3037_CR21“，”DOI“：”10.1109\/ICASSP.2015.7178109“}，{”issue“：”7“，”key“：“3037_CR2”，”DOI-asserted-by“：”publisher“，”first page“：hadane A、Sethi A。用于计算病理学的广义核分割的数据集和技术。IEEE Trans Med成像。2017; 36（7）：1550\u201360.“，”journal-title“：”IEEE Trans-Med Imaging“}，{“volume-title”：“Int.Conf.Med.Image Compute.Compute.Assist.Intervent，vol.9901”，“year”：“2016”，“author”：“P Moeskops”，“unstructured”：“Moeskop P，Wolterink JM，van der Velden BHM，Gilhuijs KGA，Leiner T，Viergever MA，Isgum I。多模式多任务医学图像分割的深度学习。In:国际医学图像计算。计算。协助。Intervent，第9901卷。查姆：斯普林格国际出版社：2016年。p.478\u201386。“，”key“：”3037_CR23“}，{”unstructured“：”The Cancer Genome Altas.2018。网址：http://cancergenes.nih.gov//。“，”key“：”3037_CR24“}，{“issue”：“1”，“key”：“3037_CR15”，“doi-asserted-by”：“publisher”，“first page”：”221“，”doi“：”10.1146\/annurev-bioeng-071516-044442“，”volume“：“19”，“author”：“D Shen”，“year”：“2017”，“unstructured”：“Shen D，Wu G，Suk H-I.医学图像分析的深度学习。Annul Rev Biomed Eng.2017；19（1）：221\u201348。“，”日志标题“：”Annu Rev Biomed Eng“}，{“key”：“3037_CR26”，“doi-asserted-by”：“publisher”，“first page”：”60“，“doi”：“10.1016\/j.media.2017.07.005”，“volume”：：“42”，“author”：“G Litjens”，“year”：“2017”，“unstructured”：“Litjens-G，Kooi T，Bejnordi BE，Setio AAA，Ciompi F，Ghafoorian M，van der Laak JAWM，van Ginneken B，S\u00c3 \u00a1nchez CI。医学图像分析中深度学习的调查。医学图像分析。2017; 42:60\u201388.“，”journal-title“：医学图像分析”}，{“volume-title”：“医学图像分析深度学习”，“year”：“2017”，“author”：“SK Zhou”，“unstructured”：“Zhou SK，Greenspan H，Shen D.Deep Learning for Medical Image Analysis。荷兰阿姆斯特丹：Elsevier Inc.；2017.”，“key”：“3037_CR27”}、{“key“3037-CR28”，“doi-asserted-by”：“publisher”，“首页“：”115“，”DOI“：”10.1038“自然21056“，”卷“：”542“，”作者“：”A Esteva“，”年份“：”2017“，”非结构化“：”EstevaA，Kuprel B，Novoa RA，Ko J，Swetter SM，Blau HM，Thrun S.皮肤病学深度神经网络皮肤癌分级。自然。2017; 542:115\u20138.“，”journal-title“：”Nature“}，{”issue“：”5“，”key“：”3037_CR29“，”doi-asserted-by“：”publisher“，”首页“：”1273“，”doi“：”10.1109\/TMI.2016.526689“，”volume“：“35”，“author”：“M van Grinsven”，“year”：“2016”，“unstructured”：“van Grinsven M，van Ginneken B，Hoyng CB，Theelen T，S\u00e1nchez CI。使用选择性数据采样的快速卷积神经网络训练：应用于彩色眼底图像中的出血检测。IEEE Trans Med成像。2016; 35（5）：1273\u201384.“，”journal-title“：”IEEE Trans-Med Imaging“}，{”key“：”3037_CR30“，”doi-asserted-by“：”publisher“，”first page“：“214”，”doi“：”10.1007\/978-3319-66179-7_25“，”volume-title”：“医学图像计算和计算机辅助干预\u2212 MICCAI 2017”，”author“：”Florian Dubost“，”year“2017”，“unstructured”：“”Dubost F、Bortsova G、Adams H、Ikram A、Niessen WJ、Vernooij M、De Bruijne M.GP-Unet：用三维回归网络从弱标记检测病变。In:国际医学图像计算。计算。协助。干预。，第10435卷。施普林格国际出版公司：2017年。第214\u201321页。https:\/\/doi.org\/10.1007%2F978-3-319-66179-7_25。“}，｛”doi断言由“：”crossref“，”非结构化“：”Eppenhof KAJ，Pluim JPW。使用卷积神经网络监督非线性图像配准的局部误差估计。在：SPIE Med.Imageing 2017:image Process.，vol.10133。SPIE:2017年。第1页\u20136。https:\/\/doi.org\/10.117%2F12.2253859。“，”key“：”3037_CR31“，”DOI“：”10.1117\/12.253859“}，{”issue“：”1“，”key“：“3037_CR12”，”DOI-asserted-by“：”publisher“，”first page“：‘294’，”DOI:“10.1186\/s12859-018-2285-0”，“volume”：“19”，”author“：”M Khoshdeli“，“year”：“2018”，”unstructured“：”Khoshdili M，Winkelmaier G，Parvin B。编码-解码深度网络的融合改善了多核表型的描述。BMC生物信息学。2018; 19（1）：294.“，”杂志标题“：”BMC生物信息学“}，{“key”：“3037_CR33”，“doi-asserted-by”：“publisher”，“first page”：”236“，“doi”：“10.1038\/s42256-019-0052-1”，”volume“：”1“，”author“：”Zhang“，”year“2019”，“unstructured”：“Zhang Z，et al.病理学家级可解释的深度学习的全滑癌诊断.Nat Mach Intell.2019；1:236\u201345.“，”journal-title“：”Nat Mach Intell“}，{”key“：”3037_CR34“，”doi-asserted-by“：”publisher“，”first page“：“411”，“doi”：“10.1007\/978-3642-40763-5_51”，“volume-title”：“医学图像计算和计算机辅助干预\u2013 MICCAI 2013”，“author”：“Dan C.Cire\u015fan”，“year”：“2013”，”unstructured“：”Ciresan DC、Giusti A、Gambardella LM、Schmidhuber J.利用深层神经网络检测乳腺癌组织学图像中的有丝分裂。In:国际医学图像计算。计算。协助。干预。，第8150卷。施普林格-柏林-海德堡：2013。第411\u20138页。https:\/\/doi.org\/10.1007%2F978-3-642-40763-5_51。“}，{”issue“：”5“，”key“：”3037_CR35“，”doi-asserted-by“：”publisher“，”first-page“：”1313“，”doi“：”10.1109\/TMI.2016.2528120“，”volume“：“35”，”author“：”S Albarqouni“，”year“：”2016“，”unstructured“：”Albarqooni S，Baur C，Achilles F，Belagiannis V，Demirci S，Navab N。Aggnet：从人群中深入学习乳腺癌组织学图像中的有丝分裂检测。IEEE Trans Med成像。2016; 35（5）:11313\u201321.”，“期刊标题”：“IEEE Trans-Med Imaging”}，｛“issue”：“2”，“key”：“3037_CR36”，“doi断言”：“publisher”，“首页”：“550”，“doi”：“10.1109\/TMI.2015.24481436”，“volume”：“35”，“author”：“F Xing”，“year”：“2016”，“nonstructured”：“Xing F，Xie Y，Yang L。一种基于自动学习的鲁棒细胞核分割框架。IEEE Trans Med成像。2016; 35（2）：550\u201366.“，”journal-title“：”IEEE Trans-Med Imaging“}，{”key“：”3037_CR37“，”first page“：“226”，“volume-title”：“计算机科学讲义”，“author”：“Jiazhuo Wang”，“year”：“2015”，“unstructured”：“Wang J，MacKenzie JD，Ramachandran R，Chen DZ.通过深度学习和聚类voronoi图鉴定中性粒细胞。in:Int.Conf.Med。图像计算。计算。协助。干预。施普林格国际出版公司：2015年。第226\u201333页。https:\/\/doi.org\/10.1007%2F978-3-319-24574-4_27。“}，{”doi-asserted-by“：”crossref“，”unstructured“：”Mao Y，Yin Z，Schober JM.循环肿瘤细胞检测的迭代训练分类器。收录：IEEE Int.Symp.Biomed.Imag.IEEE:2015。第190\u20134页。https:\/\/doi.org\/10.109%2Visio.2015.7163847。“，”key“：”3037_CR38“，”DOI“：”10.1109\/ISBI.2015.7163847“}，”{“key”：“3037_CR19”，”DOI-asserted-by“：”publisher“，”first page“：“632”，”DOI:“10.1007\/978-3319-46723-8_73”，“volume-title”：“医学图像计算和计算机辅助干预\u2013 MICCAI 2016”，“author”：“Mitko Veta”，“year”：“2016”，”unstructured“：”Veta M、van Diest PJ、Pluim JPW。去掉中间人：在组织病理切片中测量细胞核面积，不进行分割。In:国际医学图像计算。计算。协助。干预。施普林格国际出版：2016。第632页\u20139。https:\/\/doi.org\/10.1007\/978-3-319-46723-8_73。“}，{”issue“：”3“，”key“：”3037_CR40“，”doi-asserted-by“：”publisher“，”first-page“：”625“，”doi“：”10.1109\/TBME.2017.2711529“，”volume“：“65”，“author”：“M Khoshdeli”，“year”：“2018”，“unstructured”：“Khoshdili M，Parvin B。基于特征的表示使用卷积神经网络改进颜色分解和核检测。IEEE Trans Biomed Eng.2018；65（3）：625\u201334.“，”journal-title“：”IEEE Trans-Bomedid Eng“}，{“issue”：“1”，“key”：“3037_CR41”，“doi-asserted-by”：“publisher”，“first-page”：“119”，”doi“：”10.1109\/TMI.2015.2458702“，”volume“：”35“，”author“：”J Xu“，”year“：”2016“非结构化”：“Xu J，Xiang L，Liu Q，Gilmore H，Wu J，Tang J，Madabhushi A.Stack ed稀疏自动编码器用于乳腺癌组织病理学图像的细胞核检测。IEEE Trans Med成像。2016; 35（1）：119\u201330.“，“journal-title”：“IEEE Trans-Med Imaging”}，{“doi-asserted-by”：“publisher”，“unstructured”：“Dong B，Shao L，Costa MD，Bandmann O，Frangi AF.宽视野显微镜斑马鱼图像中自动细胞检测的深度学习。摘自：IEEE Int.Symp.Biomed.Imag.IEEE:2015。第772页\u20136。https:\/\/doi.org\/10.109\/isbi.2015.7163986。“，”key“：”3037_CR42“，”DOI“：”10.1109\/isbi.2015.7163986“}，{”DOI-asserted-by“：”publisher“，”unstructured“：”Shkolyar A，Gefen A，Benayahu D，Greenspan H.使用卷积神经网络在活体成像显微镜图像中自动检测细胞分裂（有丝分裂）。摘自：Annu.Int.Conf.IEEE Eng.Med.Biol.Society.IEEE:2015。第743页\u20136。https:\/\/doi.org\/10.109\/embc.2015.7318469。“，”key“：”3037_CR43“，”DOI“：”10.1109\/embc.2015.7318469“}，”{“key”：”3027_CR44“，”DOI-asserted-by“：”publisher“，”first page“：“63”，”DOI:“10.1007\/978-3319-42999-1_5”，”volume-title“：”Deep Learning and Convolutional Neural Networks for Medical Image Computing“，”author“：”Fujun Liu“，”year“2017”，”unstructured“：”Liu F，Yang L。一种使用深度卷积神经网络和最大权重独立集的新细胞检测方法。In:国际医学图像计算。计算。协助。干预。第9351卷。施普林格国际出版公司：2015年。第349页\u201357。https:\/\/doi.org\/10.1007\/978-3-319-42999-1_5。}，{“doi-asserted-by”：“crossref”，“unstructured”：“Chen H，Dou Q，Wang X，Qin J，Heng P-A.通过深度级联网络在966乳腺癌组织学图像中检测有丝分裂。in:AAAI Conf.Artif.Intell.MDPI AG:2016。p.1160\u20136.”，“key”：“3037_CR45”，“DOI”：“10.1609\/aai.v30i1.10140”}，｛“key”：“3037_CR46”，“DOI断言者”：“出版商”，“首页”：“676”，“DOI”：“10.1007\/978-3-319-46723-8_78”，“卷标题”：“医学图像计算和计算机辅助干预\u2013 MICCAI 2016”，“作者”：“郑旭”，“年份”：“2016”，“非结构化”：“Xu Z，Huang J。每秒检测10000个细胞。In:国际医学图像计算。计算。协助。干预。，第9901卷。施普林格国际出版公司：2016年。第676页\u201384。https:\/\/doi.org\/10.1007\/978-3-319-46723-8_78。“}，{”key“：”3037_CR47“，”doi-asserted-by“：”publisher“，”first page“：“640”，”doi“：”10.1007\/978-3319-46723-8_74“，”volume-title“：”Medical Image Computing and Computer-Assisted Intervention \u2013 MICCAI 2016“，”author“：”Sheng Wang“，”year“：”2016“，“unstructured”：“Wang S，Yao J，Xu Z，Huang J”。用加速深度卷积神经网络进行亚型细胞检测。In:Int.Conf.Med.Image Comput。计算。协助。干预。，第9901卷。施普林格国际出版公司：2016年。第640\u20138页。https:\/\/doi.org/10.1007\/978-3-319-46723-8_74。“}，{”key“：”3037_CR48“，”doi-asserted-by“：”publisher“，”first page“：“358”，”doi“：”10.1007\/978-3319-24574-4_43“，”volume-title“：”Computer Science课堂讲稿“，”author“：”Yuanpu Xie“，”year“：”2015“，”unstructured“：”Xie Y，Xing F，Kong X，Yang L.Beyond classification:”structure regression for robust cell detection using volume neural neural network using volutional neural。In:国际医学图像计算。计算。协助。干预。，第9351卷。施普林格国际出版公司：2015年。第358页\u201365。https:\/\/doi.org\/10.1007\/978-3-319-24574-4_43。“}，{”issue“：”5“，”key“：”3037_CR49“，”doi-asserted-by“：”publisher“，”first-page“：”1196“，”doi“：”10.1109\/TMI.2016.255803“，”volume“：“35”“，”author“：”K Sirinukunwattana“，“year”：“2016”，”unstructured“：”Sirinukunwattana K、Raza SEA、Tsang YW、Snead DRJ、Cree IA、Rajpoot NM。在常规结肠癌组织学图像中检测和分类细胞核的位置敏感深度学习。IEEE Trans Med成像。2016; 35（5）：1196\u2013206.“，”journal-title“：”IEEE Trans-Med Imaging“}，{”key“：”3037_CR50“，”doi-asserted-by“：”publisher“，”first page“：“374”，”doi“：”10.1007\/978-3-319-24574-4_45“，”volume-title”：“计算机科学课堂笔记”，“author”：“Yuanpu Xie”，“year”：“2015”，“unstructured”：“Xie Y，Kong X，Xing F，Liu F，Su H，Yang L。深度投票：显微图像中核定位的稳健方法。输入：国际会议医学图像计算。计算。协助。干预。，第9351卷。施普林格国际出版公司：2015年。第374页\u201382。https:\/\/doi.org\/10.1007\/978-3-319-24574-4_45。}，{“doi-asserted-by”：“publisher”，“unstructured”：“Long J，Shelhamer E，Darrell T。语义分段的完全卷积网络。In:IEEE Conf.Compute.Vis.Pattern Recognit。IEEE:2015。第3431\u201340页。https:\/\/doi.org\/10.109\/cvpr.2015.7298965。“，”key“：”3037_CR51“，”DOI“：”10.1109\/cvpr.2015.7298965“}，{“key”：”3027_CR52“，”DOI-asserted-by“：”publisher“，”首页“：”245“，”DOI“：“10.1016\/j.media.2017.07.003”，“volume”：“44”，“author”：“Y Xie”，“year”：“2018”，“unstructured”：“Xie，Xing F，Shi X，Kong X，Su H，Yang L.”。高效且稳健的细胞检测：结构化回归方法。医学图像分析。2018; 44:245\u201354.“，”journal-title“：”Med Image Anal“}，{”issue“：”3“，”key“：”3037_CR53“，”doi-asserted-by“：”publisher“，”first page“：“283”，”doi“：”10.1080\/21681163.2016.1149104“，”volume“：：”6“，”author“：”Weidi Xie“，”year“：”2016“，”unstructured“：”Xie W，Noble JA，Zisserman A。用完全卷积回归网络进行显微镜细胞计数。图片来源：MICCAI第一期医学图像分析深度学习研讨会。Informa UK Limited：2015年。第1页\u20138。https:\/\/doi.org\/10.1080\/21681163.2016.1149104。”，“journal-title”：“生物力学和生物医学工程中的计算机方法：成像和可视化”}，{“doi-asserted-by”：“crossref”，“unstructured”：“Zhou Y，Dou Q，Chen H，Qin J，Heng PA。SFCN-OPI：使用同胞fcn和对象优先交互对细胞核进行检测和精细分类。in:AAAI Conf.Intell:2018。p.2652\u20139.“，”key“：”3037_CR54“，”DOI“：”10.1609\/aaai.v32i1.11900、斯蒂尔勒五世、保利奇克·p、安德烈斯·B、门泽·BH。无透镜显微镜视频中的细胞谱系追踪。In:国际医学图像计算。计算。协助。干预。施普林格国际出版公司：2017年。第3\u201311页。https:\/\/doi.org\/10.1007\/978-3-319-66185-8_1。}，{“doi-asserted-by”：“publisher”，“unstructured”：“He K，Zhang X，Ren S，Sun J.图像识别的深度剩余学习。In:IEEE Conf.Compute.Vis.Pattern Recognit。IEEE:2016。第770\u20138页。https:\/\/doi.org\/10.109\/cvpr.2016.90。“，”key“：”3037_CR56“，”DOI“：”10.1109\/cvpr.2016.90“}，{”unstructured“：”PyTorch.2017。https:\/\/github.com/pytorch。2017年10月访问。“，”key“：”3037_CR57“}，”{“key”：”3036_CR58“，”首页“：”1929“，”volume“：“15”，”author“：”N Srivastava“，”year“：”2014“，”unstructured“：”Srivatava N，Hinton G，Krizhevsky A，Sutskever I，Salakhutdinov R.Dropout：防止神经网络过度拟合的简单方法。J Mach Learn Res.2014；15:1929\u201358.“，”journal-title“：”J Mach Learn Res“}，{”key“：”3037_CR59“，”doi-asserted-by“：”publisher“，”first page“：“83”，”doi“：”10.1002\/nav.380020109“，”volume“：‘2’，”author“：”HW Kuhn“，“year”：“1955”，“unstructured”：“Kuhn HW。分配问题的匈牙利方法。nav Res Logist Q.1955；2:83\u201397.“，”journal-title“：”nav Res-Logist Q“}”，{“键“：”3037_CR60“，”doi-asserted-by“：”publisher“，”first page“：”234“，”doi“：”10.1007\/978-3-319-24574-4_28“，”volume-title“：”计算机科学讲义“，”author“：”Olaf Ronneberger“，”year“：”2015“，”unstructured“：”Ronneberger-O，Fischer P，Brox T.U-net：生物医学图像分割的卷积网络。In:国际医学图像计算。计算。协助。干预。施普林格国际出版公司：2015年。第234\u201341页。https:\/\/doi.org/10.1007\/978-3-319-24574-4_28。“}，{”volume-title“：”Int.Conf.Mach.Learn.，vol.37“，”year“：”2015“，”author“：”S Ioffe“，”unstructured“：”Ioffe S，Szegedy C.Batch normalization：通过减少内部协变量偏移来加速深层网络训练。In:Int.Conv.Mach.Learn。里尔：PMLR:2015。p.448\u201356。“，”key“：”3037_CR61“}，{”unstructured“：”Clevert D-A，et al.快速准确的指数线性单位深度网络学习（elus）。In:Int.Conf.Learn.Repres:2016。p.1\u201314.“，”key“：”3037_CR62“}，{”unstructured“：”Simonyan K，Zisserman A.用于大规模图像识别的深度卷积网络。In:Int.Conf.Learn.Represent:2015。p.1\u201314。“，”key“：”3037_CR63“}，{”unstructured“：”Dumoulin V，Visin F.深度学习卷积算法指南。2016:1\u2013年31。arXiv:1603.07285[stat.ML]。“，”key“：”3037_CR64“}，{”doi-asserted-by“：”publisher“，”unstructured“：”Chen H，Qi X，Yu L，Heng PA.Dcan：用于准确腺体分割的深轮廓软件网络。In:IEEE Conf.Compute.Vis.Pattern Recognit。IEEE:2016。第2487页\u201396。https:\/\/doi.org\/10.109\/cvpr.2016.273。“，”key“：”3037_CR65“，”DOI“：”10.1109\/cvpr.2016.273“}，{”key”：“3037_CR166”，”DOI-asserted-by“：”publisher“，”first page“：“276”，”DOI:“10.1007\/978-3-319-24574-4_33”，”volume-title“：”计算机科学课堂笔记“，”author“：”Philipp Kainz“，”year“：”2015“，”unstructured“：”Kainz P，Urschler M，Schulter S，Wohl哈特·P、利佩蒂·V。您应该使用回归来检测细胞。In:国际医学图像计算。计算。协助。干预。，第9351卷。施普林格国际出版公司：2015年。第276\u201383页。https:\/\/doi.org\/10.1007\/978-3-319-24574-4_33。}，{“非结构化”：“Szegedy C，Toshev A，Erhan D.用于对象检测的深度神经网络。In：高级神经信息处理。Sys.Curran Associates，Inc.：2013。p.2553\u201361.“，”key“：”3037_CR67“}，{“issue”：“11”，“key”：“3037_CR 68”，“doi-asserted-by”：“publisher”，“first page”：”2278“，”doi“：”10.1109\/5.726791“，”volume“：“86”，“author”：“Y LeCun”，“year”：“1998”，“unstructured”：“LeCun Y，Bottou L，Bengio Y，Haffner p.Gradient-based learning applied to document recognition。Proc IEEE.1998；86（11）：2278\u2013324.“，”journal-title“：”Proc IEEE“}]，“updated-by”：[{“updated”：{“date-parts”：[[2019,10,22]]，“date-time”：“2019-10-22T00:00:00Z”，“timestamp”：1571702400000}，“DOI”：“10.1186\/s12859-019-3133-6”，“type”：“correction”，“label”：“correction”}]，“container-title”：[“BMC生物信息学”]，“original-tittle”：[]，“language”：“en”，“link”：[{“URL”：“http://\/link.springer.com/content\/pdf\/10.1186\/s12859-019-3037-5.pdf“，”content-type“：”application\/pdf“、”content-version“：”vor“、”intended-application“：”text-mining“}、{”URL“：”http://\/lindex.springer\com/article\/10.1186 \/s12859-019-3037.5\/fulltext.html“，”content-type”：“text\/html”、“content-versiion”：“vor”、“intended-application”“：”text-mining“}，{”URL“：”http://\/link.springer.com/content\/pdf\/10.1186\/s12859-019-3037-5.pdf“，“content-type”：“application\/pdf”，“content-version”：“vor”，“intended-application”：“similarity-checking”}]，“deposed”：{“date-parts”：[[2022,9,28]]，“date-time”：”2022-09-28T19:05:15Z“，“timestamp”：16643915000}，“score”：1，“resource”：{“primary”：{“URL”：“https:\/\/bmcbioinformations.biomedcentral.com\/articles\/10.1186\/s12859-019-3037-5“｝｝，“副标题”：[]，“短标题”：[]，“已发布”：｛“日期部分”：[[2019,9,14]]｝，“参考文献数”：68，“期刊发行”：｛“发行”：“1”，“已发布印刷品”：｛“日期部分”：[[2019,12]]｝，“替代id”：[“3037”]，“URL”：“http:\/\/dx.doi.org//10.1186\/s12859-019-3037-5“，”关系“：｛｝，”ISSN“：[”1471-2105“]，”ISSN-type“：[{”type“:”electronic“，”value“：”1471-2115“}]，”subject“：【】，”published“：{”date-parts“：[[2019,9,14]]}，”assertion“：[}”value”：“2018年10月5日”，”order“：1，”name“：”received“，”label“：”received“，“group”：{“name”：“Article History”，”lable“：”Article History“}}，{“value”“：”2019年8月21日“，”订单“：2，”名称“：”接受“，”标签“：”接受“，”组“：{“name”：“Article History”，“label”：“文章历史”}}，{“value”：“2019年9月14日”，“order”：3，”名称“：”first_online“，”标签“：”first online“，“group”：“”文章历史“}}，{“value”：“Correction”，“order”：5，“name”：“change_type”，“label”：“change type”，“group”：{“name”:“Article History”，“标签”：“文章历史”}}、{“值”：“原始文章[1]发布后，我们收到了html版本中的一些错误通知：”，“订单”：6，“name“change_details”，“label”：”更改详细信息“，“group”：{”name“：”ArticleHistory“，”label“：”Article History”}}，{“value”：“不适用。”，“order”：1，“name”：“Ethics”，“group”：{“name”:“EthicsHeading”，“label”：“伦理审批和参与同意”}}}、{“value”：“Not applicable”，“rder”：2，“name“:”Ethics作者声明，他们没有相互竞争的利益。“，”order“：3，”name“：”Ethics“，”group“：{”name“:”EthicsHeading“，”label“：”Competiting interestions“}}]，”article-number“：”472“}}