前列腺核磁共振图像分割算法的研究与实现

发布时间：2021-07-25 16:23

　　前列腺癌是中老年男性常见恶性肿瘤。磁共振成像（MRI）因其具有对软组织分辨率高,可多参数成像,能对任意断层进行扫描的特点,被认为是前列腺癌诊断和辅助治疗的最佳医学影像。准确从前列腺磁共振图像中分割出前列腺对辅助前列腺癌诊断具有重要价值,虽然近年来已有多种针对前列腺磁共振图像的分割方法,但这些方法仍然不能适应不同图像数据集。医学图像算法的成功在一定程度上取决于高质量输入特征,然而,特征工程需要付出大量时间和精力,而且人工选择特征表达能力差,泛化能力低,无法满足目前图像分割的需求。深度神经网络的多层结构能够有效的表达复杂函数,从而使其能够学习到具有较强表征能力的图像特征,提高图像识别的准确性。本文使用三种全卷积神经网络U-Net、V-Net和Dense V-Net作为前列腺磁共振图像分割方法的基础对比方案,然后,在Dense V-Net和V-Net的基础上提出一种基于密集连接的全卷积神经网络FC Dense V-Net。FC Dense V-Net中卷积层之间的连接使用Dense V-Net中密集连接的方式,这样能够实现更大程度的特征复用,有效解决了现有模型不能同时获取不同层次特征的缺点;... 

【文章来源】：东南大学江苏省 211工程院校 985工程院校 教育部直属院校

【文章页数】：61 页

【学位级别】：硕士

【部分图文】：

全卷积神经网络[39]

东南大学硕士学位论文22图3.1数据集中的分割示例3.1.2数据预处理本文使用深度学习模型的前列腺磁共振图像的三维分割方法的流程图如下所示。该流程图主要包括三个主要步骤，第一步是数据集的预处理，第二步是数据增强，最后一步是神经网络模型的训练和测试。基于神经网络模型对前列腺磁共振图像进行自动化分割的流程图如图3.2所示。开始结束数据预处理数据增强神经网络模型图3.2前列腺磁共振图像自动分割流程图数据预处理在很多神经网络中扮演着很重要的作用，使用数据预处理能去掉原始数据之间的相关性，使算法能够发挥最佳效果。数据集的选取和划分在神经网络训练过程中起着十分关键的作用，同时，图像数据的数目与质量对网络模型也有很大的影响。本文采用数据集共包含82个样本数据，每个样本包含15到55个数目不等的切片，以及对应的医生手工分割的结果图像。本文的数据集由合作医院提供，由于本文数据集包含的图片数量不大，并且不同病人图像的尺寸和分辨率不同。因此为了提高模型学习的性能，本文采用以下方式对原始数据进行预处理：（1）前列腺磁共振图像中，前列腺只占据很小的一部分，我们可以通过剪裁去除样本中多余的不包含前列腺图像信息的边界，减小负样本所占比例；

第三章基于FCN的前列腺MRI的3D分割方法23（2）本文中的数据集大小形状不一，作为输入的话，很不方便，而且由于我们使用的GPU内存有限，因此我们将数据集中的样本数据统一重采样为12812864作为输入；图3.3前列腺磁共振图像手动勾画结果示意图因为卷积神经网络对训练数据的多样性及数量都有一定的要求，而收集的临床数据集中的正样本数量对于训练和测试卷积网络来说相对较少，因此我们还需对数据进行增强。为了增加训练数据的数量，我们采用了多种数据扩充方法。具体地说，就是将每个训练样本图像进行随机平移、随机上下翻转、随机左右翻转以及随机角度的随机旋转，以增加训练数据的多样性及数量。在实验中，使用十折交叉验证的方式评估模型的性能，即随机将90%的样本数据作为训练数据，剩余的10%的样本数据作为测试数据。前列腺磁共振图像的手动分割示意图如图3.3所示。3.2深度神经网络3DU-Net3.2.13DU-Net模型图3.4是基于神经网络模型的前列腺磁共振图像分割流程图。

【参考文献】：
期刊论文
[1]中国前列腺癌发病现状和流行趋势分析[J]. 韩苏军,张思维,陈万青,李长岭.  临床肿瘤学杂志. 2013(04)
[2]医学图像分割方法综述[J]. 林瑶,田捷.  模式识别与人工智能. 2002(02)



本文编号：3302365