基于半监督学习的肝脏CT图像自动分割方法研究
发布时间：2021-07-31 16:14
医学图像分割是计算机辅助干预和诊断中最重要的步骤之一,但在医学图像处理领域要训练高准确度的深度神经网络仍然存在难点。首先,由于手动标记医学像素级标签耗时繁琐且需要专业知识,导致有标签的医学图像数据量一般很少,因此有效利用无标签数据对医学图像分割至关重要。其次,在腹部CT（Computed Tomography）图像中,由于肝脏与相邻器官的对比度低,肝脏形状变化较大,与肝脏内部肿瘤组织的对比度有差异,CT图像存在噪声等诸多原因,使得肝脏CT图像分割成为一项具有挑战性的任务。针对以上问题,本文提出了两种基于半监督学习的肝脏CT图像自动分割方法,分别是基于深度协同训练的肝脏CT图像半监督分割方法和基于分类的肝脏CT图像半监督分割方法。（1）基于深度协同训练的肝脏CT图像半监督分割方法的主要工作如下:半监督学习中的协同训练方法只是将两个分类器对无标签数据生成的伪标签交叉加入到训练集中,这会导入较大的误差,且两个分类器生成两个结果导致最终结果的确定出现困难,本文提出基于深度协同训练的半监督分割方法。这种方法通过粗略挑选和精细挑选两个步骤选出置信度更高的伪标签加入到训练集中,以降低伪标签带入的误差...
【文章来源】：兰州财经大学甘肃省
【文章页数】：66 页
【学位级别】：硕士
【部分图文】：
腹部CT图像中肝脏分割面临的挑战
兰州财经大学硕士学位论文基于半监督学习的肝脏CT图像自动分割方法研究152卷积神经网络在机器学习领域中，卷积神经网络被认为是最受欢迎的算法之一，前馈人工神经网络，最常用于分析视觉图像，被用于大部分对象识别任务，广泛应用于模式识别、语音识别、目标检测、计算机视觉等图像处理领域[46]。卷积网络和其他神经网络一样，神经元之间的连接模式模仿了动物大脑视觉皮层的结构，本章主要介绍了卷积神经网络中各组成部分的相关理论。2.1卷积层卷积神经网络（ConvolutionalNeuralNetworks，CNN）在1998年由Lecun[47]提出，利用计算机代替人工提取特征，能够得到相对精确的识别结果。CNN中的隐藏层通常使用卷积层，池化层，全连接层等组成，而不是使用简单堆叠的完全连接的神经元。常规人工神经网络和CNN之间的一个重要区别是，在常规人工神经网络中，激活函数直接应用于每个隐藏神经元的输出，但是在CNN中，首先在激活函数之前应用卷积和汇集函数。相对于其他图像分类的方法，CNN不需要进行大量的预处理操作[48]。在结构上，CNN是由多个处理层组成的深度有向图，每个处理层通过组合多个线性和非线性变换来学习其输入的空间结构。该分层技术使CNN能够学习越来越高级的特征，提取固有的空间结构，实现相关标签的预测。卷积的主要作用是从输入图像中学习特征，通过利用输入信息的卷积核来学习图像特征从而节省像素之间的空间连接。二进制图像可以用值0或1构成的矩阵来表示，图2.1展示了输入图像大小为5×5的矩阵表示，图2.2展示了卷积核大小为3×3的矩阵表示。图2.1输入图像
兰州财经大学硕士学位论文基于半监督学习的肝脏CT图像自动分割方法研究16图2.2卷积核计算过程为：首先将卷积核旋转180°，将卷积核按照设定的步长从左上角滑动到右下角，将对应元素相乘后相加，最后得到一个输出矩阵，如图2.3所示。图2.3卷积输出。左侧是最后一步的计算过程，右侧是输出的特征图卷积层在CNN的运行中起到至关重要的作用，层参数集中在可学习卷积核的使用上。卷积核在空间维度上通常很小，沿着整个输入深度分布。当数据到达卷积层时，该层通过输入的空间维度对每个滤波器进行卷积，从而生成一个二维激活映射。当输入的数据为图像时，神经网络会由于模型过大而无法有效训练，为了减轻这种问题，卷积层中的每个神经元只连接到输入数据的一小块区域。该区域的维数通常被称为神经元的感受野大小，整个深度的连通性大小几乎总是等于输入的深度。例如，如果输入到网络的数据是一个大小为64×64×3的彩色图像，感受野的大小设置为6×6，在卷积层内的每个神经元上共有6×6×3=108个权重。除此之外，卷积层能够通过优化输出明显降低模型的复杂度，主要通过深度、步长和设置零填充三个超参数进行优化。（1）深度。卷积层产生的输出体积的深度可以通过该层内神经元的数量手动设置为输入的相同区域，隐藏层中的所有神经元都预先直接连接到每单个神经元上。减少此超参数可以明显减少网络中神经元的总数，但也会显著降低模型的模式识别能力。
【参考文献】：
期刊论文
[1]一种改进粒子群优化算法的Otsu图像阈值分割方法[J]. 刘桂红,赵亮,孙劲光,王星. 计算机科学. 2016(03)
[2]结合区域生长的多尺度分水岭算法的肺分割[J]. 杨建峰,赵涓涓,强彦,王全. 计算机工程与设计. 2014(01)
[3]基于分歧的半监督学习[J]. 周志华. 自动化学报. 2013(11)
硕士论文
[1]基于内容的中草药图像检索关键技术研究[D]. 谭亮.浙江大学 2016
本文编号：3313783
【文章来源】：兰州财经大学甘肃省
【文章页数】：66 页
【学位级别】：硕士
【部分图文】：
腹部CT图像中肝脏分割面临的挑战
兰州财经大学硕士学位论文基于半监督学习的肝脏CT图像自动分割方法研究152卷积神经网络在机器学习领域中，卷积神经网络被认为是最受欢迎的算法之一，前馈人工神经网络，最常用于分析视觉图像，被用于大部分对象识别任务，广泛应用于模式识别、语音识别、目标检测、计算机视觉等图像处理领域[46]。卷积网络和其他神经网络一样，神经元之间的连接模式模仿了动物大脑视觉皮层的结构，本章主要介绍了卷积神经网络中各组成部分的相关理论。2.1卷积层卷积神经网络（ConvolutionalNeuralNetworks，CNN）在1998年由Lecun[47]提出，利用计算机代替人工提取特征，能够得到相对精确的识别结果。CNN中的隐藏层通常使用卷积层，池化层，全连接层等组成，而不是使用简单堆叠的完全连接的神经元。常规人工神经网络和CNN之间的一个重要区别是，在常规人工神经网络中，激活函数直接应用于每个隐藏神经元的输出，但是在CNN中，首先在激活函数之前应用卷积和汇集函数。相对于其他图像分类的方法，CNN不需要进行大量的预处理操作[48]。在结构上，CNN是由多个处理层组成的深度有向图，每个处理层通过组合多个线性和非线性变换来学习其输入的空间结构。该分层技术使CNN能够学习越来越高级的特征，提取固有的空间结构，实现相关标签的预测。卷积的主要作用是从输入图像中学习特征，通过利用输入信息的卷积核来学习图像特征从而节省像素之间的空间连接。二进制图像可以用值0或1构成的矩阵来表示，图2.1展示了输入图像大小为5×5的矩阵表示，图2.2展示了卷积核大小为3×3的矩阵表示。图2.1输入图像
兰州财经大学硕士学位论文基于半监督学习的肝脏CT图像自动分割方法研究16图2.2卷积核计算过程为：首先将卷积核旋转180°，将卷积核按照设定的步长从左上角滑动到右下角，将对应元素相乘后相加，最后得到一个输出矩阵，如图2.3所示。图2.3卷积输出。左侧是最后一步的计算过程，右侧是输出的特征图卷积层在CNN的运行中起到至关重要的作用，层参数集中在可学习卷积核的使用上。卷积核在空间维度上通常很小，沿着整个输入深度分布。当数据到达卷积层时，该层通过输入的空间维度对每个滤波器进行卷积，从而生成一个二维激活映射。当输入的数据为图像时，神经网络会由于模型过大而无法有效训练，为了减轻这种问题，卷积层中的每个神经元只连接到输入数据的一小块区域。该区域的维数通常被称为神经元的感受野大小，整个深度的连通性大小几乎总是等于输入的深度。例如，如果输入到网络的数据是一个大小为64×64×3的彩色图像，感受野的大小设置为6×6，在卷积层内的每个神经元上共有6×6×3=108个权重。除此之外，卷积层能够通过优化输出明显降低模型的复杂度，主要通过深度、步长和设置零填充三个超参数进行优化。（1）深度。卷积层产生的输出体积的深度可以通过该层内神经元的数量手动设置为输入的相同区域，隐藏层中的所有神经元都预先直接连接到每单个神经元上。减少此超参数可以明显减少网络中神经元的总数，但也会显著降低模型的模式识别能力。
【参考文献】：
期刊论文
[1]一种改进粒子群优化算法的Otsu图像阈值分割方法[J]. 刘桂红,赵亮,孙劲光,王星. 计算机科学. 2016(03)
[2]结合区域生长的多尺度分水岭算法的肺分割[J]. 杨建峰,赵涓涓,强彦,王全. 计算机工程与设计. 2014(01)
[3]基于分歧的半监督学习[J]. 周志华. 自动化学报. 2013(11)
硕士论文
[1]基于内容的中草药图像检索关键技术研究[D]. 谭亮.浙江大学 2016
本文编号：3313783
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3313783.html
最近更新
教材专著
