深度学习与解剖学先验融合的医学图像分割研究

发布时间：2021-10-17 19:03

　　医学图像分割是计算机辅助诊断（Computer Aided Diagnosis,CAD）的关键步骤,也是医学图像进一步分析的基础。CT、磁共振（MRI）等医学图像是对比度较低的灰度图像,图像中的邻近器官通常具有相似的密度和纹理,因此精确的医学图像分割具有挑战性。目前,深度学习技术在许多计算机视觉任务中取得了巨大的成功,如对象检测、图像分类和图像分割等。其中一些深度学习技术在医学图像研究领域也得到广泛应用。然而,针对医学图像分割任务,还可以从以下两个方面进一步研究。第一,与自然图像不同,医学图像中人体器官通常呈现相似的形状和位置,这些特征可以被称为解剖学先验知识。由此可以考虑利用解剖学先验知识,结合深度学习方法,提高医学图像中器官分割的性能。第二,深度学习模型的训练需要大量的标注数据,而医学图像分割任务的标注数据集通常较小。因此,可以采用半监督学习方法,同时使用有标注和无标注数据训练分割模型,从而减轻医学图像标注的压力。基于上述分析,本文针对医学图像中的器官分割任务,对深度学习与解剖学先验融合开展研究,有效利用医学图像解剖学先验特征提高器官分割的性能。同时,针对医学图像标注数据量较小的问... 

【文章来源】：浙江大学浙江省 211工程院校 985工程院校 教育部直属院校

【文章页数】：79 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 本文主要工作
    1.4 本文组织结构
第2章 相关研究工作
    2.1 全监督图像分割方法
        2.1.1 基于多尺度的图像分割方法
        2.1.2 基于注意力机制的图像分割方法
        2.1.3 医学图像领域的全监督分割方法
    2.2 半监督图像分割方法
        2.2.1 基于生成对抗网络的图像分割方法
        2.2.2 基于多任务的图像分割方法
        2.2.3 医学图像领域的半监督分割方法
    2.3 基于解剖学先验的图像分割方法
    2.4 损失函数
    2.5 本章小结
第3章 基于解剖学先验的医学图像分割方法
    3.1 引言
    3.2 模型框架
    3.3 语义分割网络
        3.3.1 Bottleneck
        3.3.2 ASPP
        3.3.3 Softmax
    3.4 基于解剖学先验的DAP损失函数
        3.4.1 概率图集
        3.4.2 DAP损失函数
    3.5 基于解剖学先验的自适应贝叶斯损失函数
    3.6 实验设计与结果分析
        3.6.1 数据集与评价指标
        3.6.2 超参数确定
        3.6.3 消融实验
        3.6.4 模型验证实验
    3.7 本章小结
第4章 基于对抗学习的半监督医学图像分割方法
    4.1 引言
    4.2 模型框架
    4.3 模型训练过程
    4.4 损失函数
        4.4.1 对抗学习损失函数
        4.4.2 分割损失函数
    4.5 实验设计与结果分析
        4.5.1 数据集与评价指标
        4.5.2 超参数确定
        4.5.3 消融实验
        4.5.4 模型验证实验
    4.6 本章小结
第5章 基于先验相似的半监督医学图像分割方法
    5.1 引言
    5.2 模型框架
    5.3 有标注数据训练
    5.4 无标注数据训练
        5.4.1 开运算
        5.4.2 相似度计算
    5.5 实验设计与结果分析
        5.5.1 数据集与评价指标
        5.5.2 超参数确定
        5.5.3 消融实验
        5.5.4 模型验证实验
    5.6 本章小结
第6章 总结和展望
    6.1 本文工作总结
    6.2 本文工作展望
参考文献
攻读硕士学位期间主要的研究成果
致谢


【参考文献】：
期刊论文
[1]基于先验知识与DBM采样的类不平衡用电数据分类方法[J]. 王凯亮,陆俊,徐志强,齐增清,龚钢军,王赟.  电力系统自动化. 2019(20)
[2]基于背景连续性先验知识的显著性检测[J]. 金一康,于凤芹.  激光与光电子学进展. 2019(12)



本文编号：3442267