基于卷积神经网络的脑肿瘤MRI图像分割算法研究

发布时间：2021-04-27 07:44

　　据临床医学研究显示,神经胶质瘤是最常见且最具侵袭性的脑肿瘤之一,其患者的预期寿命非常短,及时对患者进行有效的治疗至关重要。医生在进行早期诊断、制定诊疗计划时通常需要对脑肿瘤磁共振成像（MRI）图像实现精确分割,但是由MRI技术产生的3D图像数据量非常大,且脑肿瘤的形状和边界具有不规则、模糊的特点,这些因素阻碍了医生对肿瘤边界进行有效的手动分割,限制了实践中对脑肿瘤的精确定量测量。因此,借助于各种分割算法对脑图像进行全自动分割成为发展的趋势,但传统的分割算法针对胶质瘤的不规则形状和模糊边界具有一定的局限性,导致脑肿瘤分割的自动化仍然是一个具有挑战性的问题。本文以脑肿瘤分割任务为立足点,以多模态MRI图像为研究对象,基于深度学习算法对脑肿瘤MRI图像分割进行研究,并在Multimodal Brain Tumor Segmentation Challenge（Brats）2015训练数据集上进行验证评估。论文主要贡献如下:（1）针对传统卷积神经网络（CNN）模型中小卷积核检测范围的限制,根据脑肿瘤图像特征,提出一种改进的双路径卷积神经网络模型——SK-TPCNN,该模型将小卷积核和大卷积核以... 

【文章来源】：河南工业大学河南省

【文章页数】：67 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第1章 绪论
    1.1 研究背景与意义
    1.2 国内外研究现状
    1.3 论文研究内容及安排
第2章 基于卷积神经网络的图像分割算法概述
    2.1 CNN的结构及其在图像分割中的应用
        2.1.1 CNN结构
        2.1.2 CNN在图像分割领域的应用
    2.2 基于全卷积神经网络（FCN）的图像分割
        2.2.1 FCN的结构特点
        2.2.2 基于U-net的图像分割
    2.3 本章小结
第3章 基于卷积神经网络与随机森林的脑肿瘤图像分割模型
    3.1 基于SK-TPCNN和 RF的分割模型框架
    3.2 脑肿瘤MRI图像数据集与预处理
    3.3 SK-TPCNN模型的构建
        3.3.1 SK-TPCNN模型结构
        3.3.2 SK-TPCNN训练细节
    3.4 SK-TPCNN与 RF联合优化模型
        3.4.1 RF算法原理
        3.4.2 SK-TPCNN与 RF的联合优化
    3.5 基于数学形态学开操作的分割结果优化
        3.5.1 数学形态学操作基本原理
        3.5.2 优化结果对比与分析
    3.6 实验结果与分析
        3.6.1 分割评价指标
        3.6.2 实验结果与分析
    3.7 本章小结
第4章 基于深层U-net模型与残差结构的脑肿瘤图像分割模型
    4.1 基于Deeper ResU-net模型的脑肿瘤分割模型框架
    4.2 基于U-net的改进模型的构建
        4.2.1 Baseline模型结构
        4.2.2 Deeper U-net模型结构
        4.2.3 Deeper ResU-net模型结构
        4.2.4 模型训练细节
    4.3 实验结果与分析
    4.4 本章小结
第5章 总结与展望
参考文献
致谢
作者简介


【参考文献】：
期刊论文
[1]基于深度学习和医学图像的癌症计算机辅助诊断研究进展[J]. 陈诗慧,刘维湘,秦璟,陈亮亮,宾果,周煜翔,汪天富,黄炳升.  生物医学工程学杂志. 2017(02)
[2]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军.  计算机学报. 2017(06)
[3]基于多模态3D-CNNs特征提取的MRI脑肿瘤分割方法[J]. 罗蔓,黄靖,杨丰.  科学技术与工程. 2014(31)
[4]基于MRI的脑肿瘤分割技术研究进展[J]. 万俊,聂生东,王远军.  中国医学物理学杂志. 2013(04)
[5]基于统计阈值的脑肿瘤MRI图像的分割方法[J]. 桑林琼,邱明国,王莉,张静娜,张晔.  生物医学工程研究. 2010(04)
[6]核磁共振（MRI）的成像原理与临床应用[J]. 张坤毅.  中国医疗设备. 2008(05)



本文编号：3163075