基于深度学习的冠脉造影图像血管分割方法的研究
发布时间：2020-12-31 20:28
冠心病是威胁人类健康的灾难性疾病之一,而冠状动脉造影是诊断这一疾病的重要帮手。冠状动脉造影图像血管分割是对具有复杂结构的血管数据进行数字化和标准化的关键。分割结果的准确程度不仅直接决定了能否对病灶部位进行精确定位,还可以辅助医生了解患者冠心病的发展程度,也是后续包括血管动力学研究在内的一系列医学研究的基础。包括匹配滤波方法、区域增长方法等在内的传统分割方法,需要复杂的预处理步骤,依赖人工设计特征,需要设计者了解相关的医学常识。近几年来,深度学习尤其是深度卷积神经网络依靠权值共享、自动特征提取和计算机运算性能的提升,在计算机视觉方面取得重大突破。本论文对使用深度学习技术的冠脉血管分割方法进行改进,主要研究工作如下:（1）针对冠脉造影图像血管结构复杂多变,造影剂分布不均,因此产生伪影及其他一些噪声的问题。本文搭建了一种采用并行方式的多尺度卷积神经网络模型。这种网络结果通过输入两种不同尺度的图像,通过全局特征来校正局部特征,使分割结果更加准确。（2）针对使用深度学习时样本数量不均衡问题对网络带来的影响,对传统的交叉熵损失函数进行了改进。改进后的函数不仅可以缓解这一问题,并能够提升对困难样本的...
【文章来源】：大连海事大学辽宁省 211工程院校
【文章页数】：63 页
【学位级别】：硕士
【部分图文】：
图１．２使用ＳＡＥ提取医学图像特征??Ｆｉｇ．?１．２?Ｅｘｔｒａｃｔｉｎｇ?ｍｅｄｉｃａｌ?ｉｍａｇｅ?ｆｅａｔｕｒｅｓ?ｕｓｉｎｇ?ＳＡＥ??
（３）利用ＧＰＵ进行加速，从而最大限度的发挥了计算机的运算能力。??Ｃ３：?ｆ．?ｍａｐｓ?１６＠?１０ｘ１０??＇ＮＰＵＪ?＾ＳｅｍａＰＳ?Ｓ４?：＾ａｐｓ１６＠５ｘ５?＾??６＠１４ｘｌＴＳ?忠丨学「＾ＴＰＵＴ??ｊ＼??：■疆＿??一．．??！?Ｉ?，?ｐＵ｜｜?ｃｏｎｎｅｃｔｉｏｎ?Ｇａｕｓｓｉａｎ?ｃｏｎｎｅｃｔｉｏｎｓ??Ｃｏｎｖｏｌｕｔｉｏｎｓ?Ｓｕｂｓａｍｐｌｉｎｇ?Ｃｏｎｖｏｌｕｔｉｏｎｓ?Ｓｕｂｓａｍｐｌｉｎｇ?Ｆｕｌｌ?ｃｏｎｎｅｃｔｉｏｎ??图２．１?ＬｅＮｅｔ网络结构图??Ｆｉｇ．?２．１?ＬｅＮｅｔ?ｎｅｔｗｏｒｋ?ｓｔｒｕｃｔｕｒｅ?ｄｉａｇｒａｍ??这时的卷积神经网络还不是很深，而牛津大学提出的ＶＧＧ－Ｎｅｔ成功构建了深达１６－??１９层的神经网络。其后ＧｏｏｇｌｅＮｅｔ和ＲｅｓＮｅｔ等不断刷新网络的深度，成为真正的深度??卷积神经网络。??２．１．２反向传播算法与梯度爆炸??在使用深度神经网络时，我们通常使用一些随机值或其它变量来初始化权重。显然，??没有人可以一次就得到完美的结果。我们选择的这些权重值一般都是不正确的，或者它??并不适合我们的模型。这就使得模型输出与实际输出不同，即误差值很大。我们需要做??的是，我们需要以某种方式解释模型以更改参数（权重），从而使错误变得最校所以??我们需要一种有效的方法来训练我们的模型。而这种训练模型的方法被称为反向传播算??法。??它的步骤可以被归纳为：??（１）计算误差；模型输出的结果与预期结果之间的差异。??（２）使误差最小化：检查误差是否最小（一般是指达到初始设定的标准）。??（３）更新参数：如果误差很大，则更新参数（
?基于深度学习的冠脉造影图像血管分割方法的研宄???（４）模型已准备好进行预测。一旦误差变得最小，您可以向模型提供一些输入，它??将产生输出。??然而，反向传播算法的使用使得深度神经网络的训练成为可能，但同时也带来了很??多的问题，其中最普遍的就是梯度爆炸（消失）。而这一问题随着模型的加深而更加明??显。如图２．２所示，这是一个含有三个隐藏层、一个输入层、一个输出层的简易神经网??络。当梯度爆炸（消失）问题发生时，离输出层最近的隐藏层３的权重可以正常的更新，??但后面距离较远的隐藏层１的权值几乎没有改变。这就导致模型参数难以更新，训练十??分缓慢。??输出胃??图２．２三隐层网络结构图示??Ｆｉｇ．?２．２?Ｔｈｒｅｅ?ｈｉｄｄｅｎ?ｌａｙｅｒ?ｎｅｔｗｏｒｋ?ｓｔｒｕｃｔｕｒｅ?ｄｉａｇｒａｍ??以下图的反向传播为例，说明产生这一问题的原因。假设一层只有一个神经元且对??于每一层；＾?＝?〇？（＆）?＝?（７〇／内＋ｈ）。其中〇？为ｓｉｇｍｏｉｄ激活函数，ｉ表示第ｉ个神经元，??ｗ是神经元的权重，ｂ为神经元的偏置。ｘ代表神经元的输入，ｙ代表神经元的输出，Ｃ是??总的损失函数。??－１２?－??
【参考文献】：
期刊论文
[1]《中国心血管病报告2016》概要[J]. 陈伟伟,高润霖,刘力生,朱曼璐,王文,王拥军,吴兆苏,李惠君,顾东风,杨跃进,郑哲,蒋立新,胡盛寿. 中国循环杂志. 2017(06)
[2]心血管疾病住院患者死亡原因分析调查研究[J]. 刘江波. 中国卫生产业. 2016(32)
[3]中国冠心病防治策略[J]. 何晓全,刘梅林. 中国全科医学. 2015(02)
[4]计算机辅助诊断系统在急诊影像学中的应用探讨[J]. 隋美蓉,胡俊峰,巩萍,徐鹏. 中国医疗设备. 2011(11)
[5]医学图像分割算法的评价方法[J]. 张石,董建威,佘黎煌. 中国图象图形学报. 2009(09)
[6]基于多尺度Hessian矩阵和Gabor滤波的造影图像冠脉中心线提取[J]. 李颖超,刘越,王涌天. 中国医学影像技术. 2007(01)
本文编号：2950262
【文章来源】：大连海事大学辽宁省 211工程院校
【文章页数】：63 页
【学位级别】：硕士
【部分图文】：
图１．２使用ＳＡＥ提取医学图像特征??Ｆｉｇ．?１．２?Ｅｘｔｒａｃｔｉｎｇ?ｍｅｄｉｃａｌ?ｉｍａｇｅ?ｆｅａｔｕｒｅｓ?ｕｓｉｎｇ?ＳＡＥ??
（３）利用ＧＰＵ进行加速，从而最大限度的发挥了计算机的运算能力。??Ｃ３：?ｆ．?ｍａｐｓ?１６＠?１０ｘ１０??＇ＮＰＵＪ?＾ＳｅｍａＰＳ?Ｓ４?：＾ａｐｓ１６＠５ｘ５?＾??６＠１４ｘｌＴＳ?忠丨学「＾ＴＰＵＴ??ｊ＼??：■疆＿??一．．??！?Ｉ?，?ｐＵ｜｜?ｃｏｎｎｅｃｔｉｏｎ?Ｇａｕｓｓｉａｎ?ｃｏｎｎｅｃｔｉｏｎｓ??Ｃｏｎｖｏｌｕｔｉｏｎｓ?Ｓｕｂｓａｍｐｌｉｎｇ?Ｃｏｎｖｏｌｕｔｉｏｎｓ?Ｓｕｂｓａｍｐｌｉｎｇ?Ｆｕｌｌ?ｃｏｎｎｅｃｔｉｏｎ??图２．１?ＬｅＮｅｔ网络结构图??Ｆｉｇ．?２．１?ＬｅＮｅｔ?ｎｅｔｗｏｒｋ?ｓｔｒｕｃｔｕｒｅ?ｄｉａｇｒａｍ??这时的卷积神经网络还不是很深，而牛津大学提出的ＶＧＧ－Ｎｅｔ成功构建了深达１６－??１９层的神经网络。其后ＧｏｏｇｌｅＮｅｔ和ＲｅｓＮｅｔ等不断刷新网络的深度，成为真正的深度??卷积神经网络。??２．１．２反向传播算法与梯度爆炸??在使用深度神经网络时，我们通常使用一些随机值或其它变量来初始化权重。显然，??没有人可以一次就得到完美的结果。我们选择的这些权重值一般都是不正确的，或者它??并不适合我们的模型。这就使得模型输出与实际输出不同，即误差值很大。我们需要做??的是，我们需要以某种方式解释模型以更改参数（权重），从而使错误变得最校所以??我们需要一种有效的方法来训练我们的模型。而这种训练模型的方法被称为反向传播算??法。??它的步骤可以被归纳为：??（１）计算误差；模型输出的结果与预期结果之间的差异。??（２）使误差最小化：检查误差是否最小（一般是指达到初始设定的标准）。??（３）更新参数：如果误差很大，则更新参数（
?基于深度学习的冠脉造影图像血管分割方法的研宄???（４）模型已准备好进行预测。一旦误差变得最小，您可以向模型提供一些输入，它??将产生输出。??然而，反向传播算法的使用使得深度神经网络的训练成为可能，但同时也带来了很??多的问题，其中最普遍的就是梯度爆炸（消失）。而这一问题随着模型的加深而更加明??显。如图２．２所示，这是一个含有三个隐藏层、一个输入层、一个输出层的简易神经网??络。当梯度爆炸（消失）问题发生时，离输出层最近的隐藏层３的权重可以正常的更新，??但后面距离较远的隐藏层１的权值几乎没有改变。这就导致模型参数难以更新，训练十??分缓慢。??输出胃??图２．２三隐层网络结构图示??Ｆｉｇ．?２．２?Ｔｈｒｅｅ?ｈｉｄｄｅｎ?ｌａｙｅｒ?ｎｅｔｗｏｒｋ?ｓｔｒｕｃｔｕｒｅ?ｄｉａｇｒａｍ??以下图的反向传播为例，说明产生这一问题的原因。假设一层只有一个神经元且对??于每一层；＾?＝?〇？（＆）?＝?（７〇／内＋ｈ）。其中〇？为ｓｉｇｍｏｉｄ激活函数，ｉ表示第ｉ个神经元，??ｗ是神经元的权重，ｂ为神经元的偏置。ｘ代表神经元的输入，ｙ代表神经元的输出，Ｃ是??总的损失函数。??－１２?－??
【参考文献】：
期刊论文
[1]《中国心血管病报告2016》概要[J]. 陈伟伟,高润霖,刘力生,朱曼璐,王文,王拥军,吴兆苏,李惠君,顾东风,杨跃进,郑哲,蒋立新,胡盛寿. 中国循环杂志. 2017(06)
[2]心血管疾病住院患者死亡原因分析调查研究[J]. 刘江波. 中国卫生产业. 2016(32)
[3]中国冠心病防治策略[J]. 何晓全,刘梅林. 中国全科医学. 2015(02)
[4]计算机辅助诊断系统在急诊影像学中的应用探讨[J]. 隋美蓉,胡俊峰,巩萍,徐鹏. 中国医疗设备. 2011(11)
[5]医学图像分割算法的评价方法[J]. 张石,董建威,佘黎煌. 中国图象图形学报. 2009(09)
[6]基于多尺度Hessian矩阵和Gabor滤波的造影图像冠脉中心线提取[J]. 李颖超,刘越,王涌天. 中国医学影像技术. 2007(01)
本文编号：2950262
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/2950262.html
最近更新
教材专著
