基于深度学习的肺部CT影像分割算法的研究

发布时间：2021-01-27 19:51

　　根据专业统计,在中国甚至在全世界范围内,肺癌持续几年都是所有癌症中恶性之首。随着理论研究的深入和计算机运行能力的提高,医学影像成为临床上诊断治疗非常重要的辅助手段。医学图像中组织器官的分割和随后的定性定量评估可以为病理学分析提供有价值的信息。目前广泛使用的医学图像分割方法大致有:传统的分割方法、机器学习及深度学习分割方法等。深度学习理论近些年被推广到了包括应用在处理计算机视觉和语音识别等问题上的很多领域。深度学习方法可分层次地处理海量数据,提取数据特征,对大规模复杂问题也可以达到很高的准确率。基于此,本文研究了基于深度学习理论的肺部CT图像分割模型。本文基于经典的U-Net模型和空洞卷积（Dilated convolutions,DC）,给出了处理肺部CT图像分割问题的空洞U-Net模型（DC-U-Net）,并且在模型输出层之前增加了一层1×1的卷积,融合了多通道信息并增加模型的非线性。在Keras框架下利用Python语言实现了基于DC-U-Net模型的肺部分割任务,该任务包括数据预处理、模型搭建、网络配置等过程。最后给出了数值结果及结论。本文的研究内容主要有以下两个方面:一、由于空... 

【文章来源】：大连理工大学辽宁省 211工程院校 985工程院校 教育部直属院校

【文章页数】：51 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 研究背景
    1.2 研究现状
    1.3 本文内容与结构安排
2 图像分割算法介绍
    2.1 传统图像分割算法
        2.1.1 基于阈值的图像分割
        2.1.2 ACM分割算法
        2.1.3 K-Means分割算法
    2.2 基于深度学习的分割算法
        2.2.1 深度学习的发展
        2.2.2 深度学习模型结构
3 肺部CT图像分割的DC-U-Net模型
    3.1 DC-U-Net模型整体结构
    3.2 DC-U-Net模型的内部结构
        3.2.1 卷积层与空洞卷积
        3.2.2 上采样和下采样
        3.2.3 激活函数
        3.2.4 损失函数
4 图像分割算法实现
    4.1 环境搭建
    4.2 数据预处理
        4.2.1 图像去噪
        4.2.2 数据增强
    4.3 DC-U-Net模型实现
        4.3.1 DC-U-Net网络结构实现
        4.3.2 网络配置
    4.4 数值结果
结论
参考文献
攻读硕士学位期间发表学术论文情况
致谢



本文编号：3003631