基于深度学习的脑部影像分割
发布时间：2021-03-26 18:31
脑是人体中最为重要和复杂的器官,脑部疾病会对人类健康产生重大威胁。医学影像技术可以用非入侵的方式取得脑部组织影像。将脑部医学影像中不同组织、器官分割出来对于提升医学诊断者对正常的、有病变器官的诊断能力有重大意义。人工分割影像中的不同组织器官费时、费力,且对于诊断者自身的水平要求较高。本文通过收集大量的医学影像,设计了脑部医学影像快速定位算法以及脑部影像分割算法,实现了脑部医学影像自动分割系统。本文的主要工作如下:1.构建医学影像数据集。数据集由两部分组成,一部分是552例人类电子计算机断层扫描影像序列（CT）,另一部分是140例带有标签且包含T1、T11mm、T1IR和T2FLAIR四种模态的磁共振成像序列（MRI）。2.设计并实现了基于目标检测的脑部影像快速定位算法。构建了基于yolo改进的多尺度检测网络,使用密集投影、取最大连通区域和阈值分割的预处理方式,对医学影像矢状面剖面图进行处理,采用脑部影像中心剪裁和旋转的数据增强方式进行训练后,模型对于CT影像的的平均测试分类IOU值达到96.4%,平均单幅的预测时长保持在...
【文章来源】：大连交通大学辽宁省
【文章页数】：68 页
【学位级别】：硕士
【部分图文】：
图１．３来自北京大学第三医院的ＭＲＩ标签示例??Ｆｉｇ．?１．３?Ｅｘａｍｐｌｅ?ｏｆＬａｂｅｌ?ｄａｔａ?ｆｒｏｍ?Ｐｅｋｉｎｇ?Ｕｎｉｖｅｒｓｉｔｙ?Ｔｈｉｒｄ?Ｈｏｓｐｉｔａｌ??６??
?大连交通大学全日制专业硕士学位论文???？?＋?＋＋＋?＋善私＋＋?＋?本＋＋?■＋－＋？?＋＼＾＋＿，３＾－??？？？?＋ｒ：＿ｆ％?＇立?＋?＋?，二＋??？？：？？？：？？＞，?？：？０：＋??？？？？＋：＞＋，＋＋?：身二？？：？？?：?＋?二＇：??．？？：ｉ＋；Ｗ?卜：ｉＶ＋?＋：，＋?：＋??（ａ）极坐标?（ｂ）笛卡尔坐标??（ａ）Ｐｏｌａｒ?ｃｏｏｒｄｉｎａｔｅｓ?（ｂ）Ｃａｒｔｅｓｉａｎ?ｃｏｏｒｄｉｎａｔｅｓ??图２．１数据不同表示示例??Ｆｉｇ．?２．１?Ｅｘａｍｐｌｅｓ?ｏｆ?ｄｉｆｆｅｒｅｎｔ?ｒｅｐｒｅｓｅｎｔａｔｉｏｎｓ?ｏｆ?ｄａｔａ??４．误差、过拟合、欠拟合、容量??误差：误差包括训练误差（ｔｒａｉｎｉｎｇ?ｅｒｒｏｒ）和泛化误差（ｇｅｎｅｒａｌｉｚａｔｉｏｎ?ｅｒｒｏｒ），深度??学习的核心目标就是是降低泛化误差；过拟合：过拟合是指训练误差和和测试误差之间??的差距太大；欠拟合：欠拟合是指模型不能在训练集上获得足够低的误差；容量：模型??的容量是指其拟合各种函数的能力。??容量和误差之间的典型关系，图２．２所示。训练误差和测试误差表现得非常不同。??在图的左端，训练误差和泛化误差都非常高。这是欠拟合机制（Ｕｎｄｅｒｆｉｔｔｉｎｇｒｅｇｉｍｅ）。??当我们增加容量时，训练误差减小，但是训练误差和泛化误差之间的间距却不断扩大。??最终，这个间距的大小超过了训练误差的下降，我们进入到了过拟合机制（Ｏｖｅｒｆｉｔｔｉｎｇ??ｒｅｇｉｍｅ），其中容量过大，超过了最佳容量（Ｏｐｔｉｍａｌ?ｃａｐａｃｉｔｙ）??ｊ?一?？?ＴＶａ－ｉｎｉｎｇ?
?大连交通大学全日制专业硕士学位论文???在上述公式中，ｆ（ｘ，ｙ）函数值代表影像里ｘ行ｙ列上点的灰度值。ｗ（ｘ，ｙ）通常被称之??为卷积核、滤波器、响应函数等等，而ａ和ｂ的值定义了滤波器ｗ（ｘ，ｙ）的大校从公式??２．１中，可以看出，卷积操作中有一个权重模板，这个模板按照一定的顺序在影像上滑??动，每滑动一次后，会将卷积核的参数与像素值对应起来做加权计算，计算结果就是这??个卷积核在影像上该点的响应。卷积过程如图２．３所示。??１ｘ１?１ｘ０?１ｘ１?〇?１?１ｘ１?１ｘ０?〇ｘｌ??〇ｘ〇?Ｉｘｉ?ｌｘ〇?１?４?０?ｌｘｏ?ｌｘｌ?Ｉｘｏ?４?３??〇ｘｌ?〇ｘＯ?Ｉｘｉ?１?０?〇ｘｌ?１ｘ０?１ｘ１??１?０?０?１?１?０?０?１??ｉｉｉ?ＦＩ－?ｉｉ〇??ｌｘ〇?Ｉｘｉ?１?４?３?０?ｌｘｌ?ｌｘ〇?ｌｘｌ?４?３??〇ｘ〇?〇ｘｉ?ｌｘ〇?１?２?０?０ｘ０?ｌｘｌ?ｌｊｊｏ?２?４??１ｘ１?〇ｘＯ?〇ｘｌ?１?１?〇ｘｌ?〇ｘＯ?１ｘ１??图２．３卷积过程??Ｆｉｇ．?２．３?Ｃｏｎｖｏｌｕｔｉｏｎ?ｐｒｏｃｅｓｓ??图２．３中，粉色部分即为在图片上滑动的卷积核，上面标注了卷积核的参数。每个??卷积层里包含多个卷积核，使用不同的卷积核对输入影像进行滑动卷积计算，将得到不??同的特征映射。低层卷积核提取影像的局部特征，高层的卷积核，可以提取图片的全局??特征。输出特征图的每个参数值也可以被解释为祌经元的输出，特征图的数值与同一激??活层的链接共享参数。??激活函数：激活函数的主要功能是为卷积神经网络提供非线性。如果卷积层被直接??输入到下一层而没有激活
【参考文献】：
期刊论文
[1]现代医学影像技术中计算机图像处理技术的应用[J]. 于大伟,曹章. 影像研究与医学应用. 2019(05)
[2]医学影像技术在医学影像诊断中的临床应用分析[J]. 马秀敏. 世界最新医学信息文摘. 2019(11)
[3]一种全自动的脑部MR图像分割算法[J]. 缪正飞,陈广浩,高伟. 中国医疗设备. 2017(11)
[4]关于提高病人放射治疗安全的研究[J]. 文莉娜,何盛烽. 中国辐射卫生. 2013(04)
[5]自适应最小误差阈值分割算法[J]. 龙建武,申铉京,陈海鹏. 自动化学报. 2012(07)
[6]医学图像分割进展[J]. 李强. 中国医疗设备. 2010(05)
[7]一种快速的图像区域分割算法[J]. 汪彦,阳爱民,涂立,邱密. 计算机应用与软件. 2009(05)
[8]基于高斯混合模型的活动轮廓模型脑MRI分割[J]. 陈允杰,张建伟,韦志辉,夏德深,王平安. 计算机研究与发展. 2007(09)
[9]基于划分的模糊聚类算法[J]. 张敏,于剑. 软件学报. 2004(06)
[10]一种基于边缘检测的局部阈值分割算法[J]. 张爱华,余胜生,周敬利. 小型微型计算机系统. 2003(04)
硕士论文
[1]卷积神经网络在图像识别上的应用的研究[D]. 许可.浙江大学 2012
本文编号：3102049
【文章来源】：大连交通大学辽宁省
【文章页数】：68 页
【学位级别】：硕士
【部分图文】：
图１．３来自北京大学第三医院的ＭＲＩ标签示例??Ｆｉｇ．?１．３?Ｅｘａｍｐｌｅ?ｏｆＬａｂｅｌ?ｄａｔａ?ｆｒｏｍ?Ｐｅｋｉｎｇ?Ｕｎｉｖｅｒｓｉｔｙ?Ｔｈｉｒｄ?Ｈｏｓｐｉｔａｌ??６??
?大连交通大学全日制专业硕士学位论文???？?＋?＋＋＋?＋善私＋＋?＋?本＋＋?■＋－＋？?＋＼＾＋＿，３＾－??？？？?＋ｒ：＿ｆ％?＇立?＋?＋?，二＋??？？：？？？：？？＞，?？：？０：＋??？？？？＋：＞＋，＋＋?：身二？？：？？?：?＋?二＇：??．？？：ｉ＋；Ｗ?卜：ｉＶ＋?＋：，＋?：＋??（ａ）极坐标?（ｂ）笛卡尔坐标??（ａ）Ｐｏｌａｒ?ｃｏｏｒｄｉｎａｔｅｓ?（ｂ）Ｃａｒｔｅｓｉａｎ?ｃｏｏｒｄｉｎａｔｅｓ??图２．１数据不同表示示例??Ｆｉｇ．?２．１?Ｅｘａｍｐｌｅｓ?ｏｆ?ｄｉｆｆｅｒｅｎｔ?ｒｅｐｒｅｓｅｎｔａｔｉｏｎｓ?ｏｆ?ｄａｔａ??４．误差、过拟合、欠拟合、容量??误差：误差包括训练误差（ｔｒａｉｎｉｎｇ?ｅｒｒｏｒ）和泛化误差（ｇｅｎｅｒａｌｉｚａｔｉｏｎ?ｅｒｒｏｒ），深度??学习的核心目标就是是降低泛化误差；过拟合：过拟合是指训练误差和和测试误差之间??的差距太大；欠拟合：欠拟合是指模型不能在训练集上获得足够低的误差；容量：模型??的容量是指其拟合各种函数的能力。??容量和误差之间的典型关系，图２．２所示。训练误差和测试误差表现得非常不同。??在图的左端，训练误差和泛化误差都非常高。这是欠拟合机制（Ｕｎｄｅｒｆｉｔｔｉｎｇｒｅｇｉｍｅ）。??当我们增加容量时，训练误差减小，但是训练误差和泛化误差之间的间距却不断扩大。??最终，这个间距的大小超过了训练误差的下降，我们进入到了过拟合机制（Ｏｖｅｒｆｉｔｔｉｎｇ??ｒｅｇｉｍｅ），其中容量过大，超过了最佳容量（Ｏｐｔｉｍａｌ?ｃａｐａｃｉｔｙ）??ｊ?一?？?ＴＶａ－ｉｎｉｎｇ?
?大连交通大学全日制专业硕士学位论文???在上述公式中，ｆ（ｘ，ｙ）函数值代表影像里ｘ行ｙ列上点的灰度值。ｗ（ｘ，ｙ）通常被称之??为卷积核、滤波器、响应函数等等，而ａ和ｂ的值定义了滤波器ｗ（ｘ，ｙ）的大校从公式??２．１中，可以看出，卷积操作中有一个权重模板，这个模板按照一定的顺序在影像上滑??动，每滑动一次后，会将卷积核的参数与像素值对应起来做加权计算，计算结果就是这??个卷积核在影像上该点的响应。卷积过程如图２．３所示。??１ｘ１?１ｘ０?１ｘ１?〇?１?１ｘ１?１ｘ０?〇ｘｌ??〇ｘ〇?Ｉｘｉ?ｌｘ〇?１?４?０?ｌｘｏ?ｌｘｌ?Ｉｘｏ?４?３??〇ｘｌ?〇ｘＯ?Ｉｘｉ?１?０?〇ｘｌ?１ｘ０?１ｘ１??１?０?０?１?１?０?０?１??ｉｉｉ?ＦＩ－?ｉｉ〇??ｌｘ〇?Ｉｘｉ?１?４?３?０?ｌｘｌ?ｌｘ〇?ｌｘｌ?４?３??〇ｘ〇?〇ｘｉ?ｌｘ〇?１?２?０?０ｘ０?ｌｘｌ?ｌｊｊｏ?２?４??１ｘ１?〇ｘＯ?〇ｘｌ?１?１?〇ｘｌ?〇ｘＯ?１ｘ１??图２．３卷积过程??Ｆｉｇ．?２．３?Ｃｏｎｖｏｌｕｔｉｏｎ?ｐｒｏｃｅｓｓ??图２．３中，粉色部分即为在图片上滑动的卷积核，上面标注了卷积核的参数。每个??卷积层里包含多个卷积核，使用不同的卷积核对输入影像进行滑动卷积计算，将得到不??同的特征映射。低层卷积核提取影像的局部特征，高层的卷积核，可以提取图片的全局??特征。输出特征图的每个参数值也可以被解释为祌经元的输出，特征图的数值与同一激??活层的链接共享参数。??激活函数：激活函数的主要功能是为卷积神经网络提供非线性。如果卷积层被直接??输入到下一层而没有激活
【参考文献】：
期刊论文
[1]现代医学影像技术中计算机图像处理技术的应用[J]. 于大伟,曹章. 影像研究与医学应用. 2019(05)
[2]医学影像技术在医学影像诊断中的临床应用分析[J]. 马秀敏. 世界最新医学信息文摘. 2019(11)
[3]一种全自动的脑部MR图像分割算法[J]. 缪正飞,陈广浩,高伟. 中国医疗设备. 2017(11)
[4]关于提高病人放射治疗安全的研究[J]. 文莉娜,何盛烽. 中国辐射卫生. 2013(04)
[5]自适应最小误差阈值分割算法[J]. 龙建武,申铉京,陈海鹏. 自动化学报. 2012(07)
[6]医学图像分割进展[J]. 李强. 中国医疗设备. 2010(05)
[7]一种快速的图像区域分割算法[J]. 汪彦,阳爱民,涂立,邱密. 计算机应用与软件. 2009(05)
[8]基于高斯混合模型的活动轮廓模型脑MRI分割[J]. 陈允杰,张建伟,韦志辉,夏德深,王平安. 计算机研究与发展. 2007(09)
[9]基于划分的模糊聚类算法[J]. 张敏,于剑. 软件学报. 2004(06)
[10]一种基于边缘检测的局部阈值分割算法[J]. 张爱华,余胜生,周敬利. 小型微型计算机系统. 2003(04)
硕士论文
[1]卷积神经网络在图像识别上的应用的研究[D]. 许可.浙江大学 2012
本文编号：3102049
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3102049.html
最近更新
教材专著
