基于多级联卷积神经网络和条件随机场的脑肿瘤分割研究

发布时间：2021-03-18 18:45

　　近年来,脑部肿瘤分割成为医学图像处理研究领域的热点问题。脑部肿瘤是神经系统的常见疾病之一,对人体健康极为有害,其致死、致残率极高。其中胶质瘤是中枢神经系统常见的恶性原发肿瘤,占所有脑瘤的50%左右。胶质瘤分为低级别胶质瘤（Low-grade glioma,LGG）和高级别胶质瘤（High-grade glioma,HGG）,进化为HGG的患者的平均预期寿命为两年左右。因此,需要早发现早治疗,才能有效地降低胶质瘤对人体的伤害。现有的成像技术包括MRI（Magnetic resonance imaging）、CT（Computed tomography）和PET（Positron emission tomography）等,由于MRI独特的优势,因此成为了脑肿瘤诊断和治疗的主要成像方式。目前,已有许多研究者提出了高效的胶质瘤MR图像分割算法,但由于其侵润生长、边界模糊的特性,使得胶质瘤的精确分割非常困难。为了有效地对脑胶质瘤进行精确分割,本文采用卷积神经网络（Convolutional neural networks,CNNs）和条件随机场（Conditional random field... 

【文章来源】：湘潭大学湖南省

【文章页数】：56 页

【学位级别】：硕士

【图文】：

胶质瘤的四种MRI模态

少的参数和更深的结构来学习有用的特征，从而实现任务准确络（Artificialneuralnetwork,ANN），由单层神经网络发展到多深度学习。深度学习能够更好地解决复杂函数建模困难的问其表征和泛化能力也更为强大。近几年，由于大数据的涌现发展，解决了深度学习所需要的大量数据以及计算、存储等习在诸多领域取得了突破发展。目前，深度学习典型的模型度信念网络（Deepbeliefnetwork,DBN）、自编码器（Auto-enc（Boltzmann machine, BM）等。网络经网络是受动物神经网络的启发而建立的某种数学模型，在经网络（Neuralnetwork,NN）[38]。该网络由大量的神经元相互元的输出都会作为下一层神经元的输入，其中每两个神经元个权重，网络的输出会根据神经元之间的连接方式、权重值有所不同。图 2.1 展示了一个基本的神经网络结构图。

典的网络模型进行介绍。卷积神经网络的基本组成层感知器的不断演变最终形成了卷积神经网络，它主要由以下几部分、卷积层、激活函数、池化层、全连接层和输出层[41]。入层：网络的输入通常是一个多通道的图像数据，可以是完整的图像一部分。积层：卷积是一种常见的线性运算，通过卷积操作，可以增强原始图，得到从一般特征到抽象特征再到更高级的特征描述，从而提取出有像信息。一般来说，一个卷积核对应提取一个特征。每个卷积核与输积操作，都能得到一组特征图，也称为特征映射，使用不同的卷积核不同特征的特征图，如图像轮廓、边缘、灰度等特征。因此，我们通积核的方式来获取更加丰富的图像特征。卷积操作过程如图 2.2 所示

【参考文献】：
期刊论文
[1]结合深度学习与条件随机场的遥感图像分类[J]. 夏梦,曹国,汪光亚,尚岩峰.  中国图象图形学报. 2017(09)
[2]多模态磁共振成像在脑胶质瘤鉴别诊断的应用[J]. 熊赤,牛朝诗.  立体定向和功能性神经外科杂志. 2013(01)
[3]重视脑转移瘤的多学科协作处理[J]. 陈忠平,赛克.  中国神经肿瘤杂志. 2010(03)
[4]一种优化的用于中文分词的CRF机器学习模型[J]. 王靖,徐向阳,符蓉.  微计算机信息. 2010(12)

博士论文
[1]MRI图像的脑肿瘤分割方法研究[D]. 邓万凯.华中科技大学 2011



本文编号：3088756