1. 研究目的与意义及国内外研究现状

众所周知，深度学习在最近几年越来越火，在各个领域都取得了巨大成功，许多公司谷歌，百度等都成立了相关的研究院去研究深度学习。同时，我们不能忽略的是，深度学习的概念来自于对神经网络的研究，谈到神经网络，我们不得不说一下传统的卷积神经网络。

传统的卷积神经网络（cnn）在许多领域取得了巨大成功，尤其在经典的图像工作方面，然而，但当处理生物医学图像时，传统的卷积神经网络就显得有点力不从心，因为种种原因，如训练图像不足，设备要求等，进而会出现如处理时间过长，不能精确定位等问题，这时我们就在想能不能通过改进传统的卷积神经网络去处理复杂的生物医学图像。在写我们这篇文章前，我们就一直试图同改进传统的卷积神经网络（cnn）去找到一个更加优越的网络结构，我们希望我们找到的这个网络结构不仅在面对经典工作时能表现的很好，而且能在处理复杂的医学图像时一样能表现得很好

国内外研究现状

在最近的几年里，卷积神经网络在许多视觉识别工作方面做的比艺术领域要好，但由于可以得到的训练集和采用的网络的大小的原因导致他们的成功很局限。就目前来看，卷积网络的典型应用是在经典工作中，在这些工作中图像的输出是一个单一的类标签。然而，在许多视觉工作中特别是在生物医学的图像处理方面，想要得到的输出应该包括局部化，也就说一个类标签被认为是归属于每一个像素。此外，数以千计的训练图像在生物医学工作中通常是找不到的，所以我们需要用滑动窗口将某个像素周围的局部区域作为输出去训练了一个网络进而去预测每一个像素的类标签[7]。这种方法存在两个比较明显的弊端[7]。第一，它确实非常慢，因为这个网络必须对每个部分进行分开运行，而且重叠部分有许多的信息冗余；第二，在精确定位和内容的使用方面的不平衡。当小型的贴片只允许这个网络看见很少的内容时，更大的贴片需要更多的大范围的图层来减少定位精度。

2. 研究的基本内容

本文的主要内容及创新之处：

根据传统的卷积神经网络（cnn），提出了一种在生物医学图像方面更加优越的网络架构，我们称之为“完全卷积网络”，或者说u-net，它相比较于传统的网络在处理生物医学图像方面更加快速，结果更加准确。

本文主要有几个部分，每个部分具体内容分别如下：

3. 实施方案、进度安排及预期效果

实施方案：在本文中，我们将u-net应用在几个不同工作中。第一个工作是在电子显微镜记录上的神经元结构的分割，训练集是来自于2012 isbi的em分割，训练数据是一个含有512*512像素的30张来自于在第一次vnc上drosophila的连续切片的透射电子显微镜法的图像的集。第二个工作是在高精度的显微镜图像上的细胞分割，训练集有两个，分别是“phc-u373”包含恶性肿瘤u373细胞和“dic-hela”是位于光滑玻璃的hela细胞，我们将实验结果进行评估，该评估是由二值化图谱以10个等级来做的和“扭曲误差”，“边缘误差”和“像素误差”计算的。

进度安排：（1）2016年3月25号之前准备阶段，相关资料的搜寻；

（2）2016年4月10号之前任务书和开题报告的撰写；

4. 参考文献

[1]torre la, bray f, siegel rl, et al. global cancer statistics, 2012[j]. ca cancer j clin, 2015, 65(2):87-108.

[2].陈万青,郑荣寿,张思维. 中国恶性肿瘤的动态变化[j]. 科技导报. 2014(26)

[3]ferlay j, shin h r, bray f, et al. estimates of worldwide burden of cancer in 2008: globocan 2008[j]. international journal of cancer, 2010, 127(12): 2893-2917.