基于局部线性表达和深度学习的医学图像分析

发布时间：2021-06-13 00:26

　　医学图像分割和医学图像定量测量是医学图像分析领域的关键问题,在许多疾病的辅助诊断和评估中占有重要临床意义。深度学习是解决众多医学图像分析问题通用有效的方法,但是深度学习中往往没有用到己有的先验知识,模型通常比较复杂,而医学图像数据稀缺,深度学习在解决医学图像分析问题时容易出现过拟合现象。局部线性表达是指流形上的样本可以由其近邻样本的线性组合近似表示,基于流形假设和局部线性表达,可以利用一些已有的先验知识（如局部线性映射、样本在流形上的分布规律等）简化模型。结合局部线性表达和深度学习,可以简化模型,提高模型的泛化能力。基于局部线性表达和深度学习的模型,本文在磁共振（Magnetic Resonance,MR）图像海马体分割和MR图像脊柱自动定量测量方面做了以下两项工作:（1）基于迭代局部线性映射（Iterative Local Linear Mapping,ILLM）的MR图像海马体分割。我们把海马体分割问题分解为多输出回归问题和阈值分割问题,多输出回归问题中,我们用MR图像块的特征预测其所对应的距离场（Distance Field,DF）图像块。DF图像中体素的绝对值表示该点距离海马体... 

【文章来源】：南方医科大学广东省

【文章页数】：118 页

【学位级别】：博士

【部分图文】：

图１－１本研宄的科学问题、分析模型、应用方法、技术创新以及研究目标

?本研宄旨在实现精确的ＭＲ图像海马体分割以及ＭＲ图像脊柱自动定量测??量，如图１－１，这两个医学图像分析问题可以一般化为不同空间的非线性映射的??科学问题，针对局部线性表达和深度学习的优缺点，本文提出基于局部线性表达??和深度学习的模型，通过构建新型网络结构和约束条件，提出迭代局部线性映射??和级联放大器回归网络两个应用方法，分别用于解决ＭＲ图像海马体分割和ＭＲ??图像脊柱自动定量测量问题。??图１－２展示了局部线性表达和深度学习的优缺点，以及本文的研宄工作。??本研究的贡献在于：??（１）

（２）?ＬＬＲＣ中输出流形上的样本是一维的，不适用于输出流形是多维的情??形；??（３）?ＬＤＭ中每个测试样本都要构建一个局部字典，构建局部字典所消耗??时间比较长。??１．３深度学习研宄现状??人工智能是２０世纪５０年代提出的，近２０年来快速发展的让机器智能化的??技术，近十年来我国人工智能技术发展迅猛，在国民经济中占有重要地位，２０１６??年我国把人工智能技术写入“十三五”规划纲要。作为人工智能的关键技术，深??度学习是一种表征学习［２２］，它可以从数据中自动学习更高层次的抽象特征。深度??学习己经成功应用于图像分类［５２＿５４］、图像分割［５５＃］、语音识别［６？６３］、自然语言处??理［６４＿７８］等领域。??

【参考文献】：
博士论文
[1]基于稀疏表达以及局部线性表达的医学图像分析[D]. 吴遥.南方医科大学 2015



本文编号：3226610