基于密集连接和多分支结构的腹部CT图像分割研究与应用

发布时间：2021-04-09 18:13

　　医学图像分割在计算机辅助医疗诊断中有着至关重要的意义,同时在器官定位、三维重建和手术指导规划任务中扮演着关键角色。肝脏是人体中不可替代的重要器官,维持着人体生命活动和新陈代谢,而肝脏肿瘤目前是一种高死亡率的恶性肿瘤,因此研究一种准确的肝脏及肝脏肿瘤的自动分割算法对临床诊断和手术决策有着深远的意义。腹部多器官分割不仅可以提升分割算法的效率,并且可以利用腹部器官之间空间位置关系的相对稳定性提升分割算法的鲁棒性,因此,准确的腹部多器官自动分割能够更高效的辅助医生诊断,具有很高的研究价值。CT图像检查效率高、性价比高和分辨率高等优势使其被广泛应用。本文以腹部CT图像为研究对象,对肝脏及肝脏肿瘤分割和腹部多器官分割算法展开研究,主要研究内容如下:（1）针对肝脏截面在轴位图像中占比较低产生的样本不均衡问题和非连通区域欠分割等问题,提出了一种基于密集连接U-Net模型的肝脏及肝脏肿瘤分割方法。该算法在U-Net模型上引入了密集连接结构,将底层边缘特征与高层语义特征相结合,缓解了特征传递过程中的信息损失,能够更好的提取目标器官的语义特征。上采样部分利用阈值选择机制,使还原分辨率后的目标器官边界更加平滑... 

【文章来源】：江苏大学江苏省

【文章页数】：79 页

【学位级别】：硕士

【部分图文】：

感受野的图形理解Fig2.1Graphicunderstandingofreceptivefield

江苏大学工程硕士学位论文15图2.1感受野的图形理解Fig2.1Graphicunderstandingofreceptivefield卷积层的操作是将在输入原始图像或上层所得到的特征图上通过滑动窗口的方式将卷积核逐一覆盖在图像的每一个像素之上，如图2.2所示，输出特征图的蓝色区域像素值是由卷积核和输入特征图的红色部分在对应通道上分别进行加权求和计算，最后将所有通道的特征值相加的结果。卷积核滑动窗口每次位移的步长stride以及卷积核规格都会影响输出特征图的尺寸，为了保证在特征提取过程中不改变初始图像的尺寸大小，可以在卷积核计算之前，通过填充的方式，在特征图的边缘部分增加一圈0值，即padding操作，0值本身不带有任何特征信息，目的是为了控制特征图的输出大校输出特征图尺寸计算公式如式（2.1）所示。21inoutkspsww（2.1）其中，outw表示计算得到的输出特征图的尺寸，inw表示输入图像或输入特征图的原始尺寸，ks和s分别表示卷积核的大小和移动步长，p表示填充层数。图2.2卷积操作运算过程Fig2.2Convolutionoperationprocess

基于密集连接和多分支结构的腹部CT图像分割研究与应用16（2）池化层池化层也称下采样层，通过池化层可以提取特征图中的有效特征，还可以压缩卷积层之间特征图的尺寸，减少参数数量，有效的避免过拟合，提升模型容错率和泛化性。常用的池化操作主要有两种，分别是最大池化（MaxPooling）和平均池化（MeanPooling）。最大池化和平均池化在搭建深度学习网络模型时在池化层的选择上都是使用比较多的，但是池化选择的不同也会使模型产生不同的倾向性。池化的目的不仅仅是减少参数和特征量，更重要的是保持网络在传播过程中主要特征旋转、平移和伸缩的不变性，在这方面最大池化和平均池化操作具有相同的优势。不同之处在于最大池化操作将邻域内特征点的最大值取出，如图2.3所示，而平均池化操作对邻域内所有特征点求平均值，如图2.4所示。在池化层提取主要特征的过程中，误差主要来自于两个方面，一方面是邻域大小的限制性造成的估计值方差较大，另一方面是卷积误差导致均值的偏移。而平均池化能够减小估计值的方差，更多的保留全局包括图像背景部分的特征信息，相反，最大池化将减少均值的偏移量，保留目标前景的纹理等特征信息。图2.3最大池化策略Fig2.3Maxpoolingstrategy图2.4平均池化策略Fig2.4Meanpoolingstrategy


本文编号：3128086