基于卷积神经网络的肾脏肿瘤分割和分类研究
发布时间：2021-10-20 00:05
肾脏是人体泌尿系统的组成器官之一,主要负责清除代谢产物和吸收水、蛋白质、金属离子等有用物质。肾脏肿瘤是泌尿科发病率第二的肿瘤,其亚型众多,多为恶性肿瘤,临床上多采用切除的手术方式。传统的根治性肾切除术对病人的肾功能损害大,近来一种仅切除患病组织的手术方式（腹腔镜肾部分切除术,LPN）逐渐成为临床首选。LPN虽然能够最大程度地保留病人的肾功能,然而此种手术方式的可行性主要取决于医生的诊断,没有统一的金标准,肾脏肿瘤的良恶性、肿瘤的形状和位置等因素都具有重要参考意义。现有的方法多基于肾脏区域的分割和基于传统机器学习方法的肾肿瘤分类,本文旨在构建一个基于卷积神经网络的肾脏肿瘤同步分割和分类模型,辅助医生诊断。卷积神经网络（CNNs）是近年来的热门技术,在计算机视觉领域尤其是分类、分割、检测等任务中的成功应用有目共睹。区别于自然图像,医学图像（如CT成像）每点的灰度值具有物理意义且图像的数据形式多样（三维、四维或序列）,神经网络迁移到医学图像处理中时,需要考虑到医学图像的特性进行改进。对三维医学数据,流行的处理方法包括两种:基于二维卷积神经网络（2D CNNs）,三维结果由二维结果整合而来;使...
【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】：73 页
【学位级别】：硕士
【部分图文】：
图1-1两种极端情况的肾脏肿瘤和专家手工分割肾脏和肿瘤区域图注：(a)肾包膜外发展的大肿瘤和专家手工分割区域；(b)小肿瘤和专家手工分割区域
第一章绪论5究基于CT血管造影图像和CT尿路造影图像的肾脏肿瘤分割和分类。肾脏肿瘤种类复杂、大小各异以及位置难测，本文旨在对肾脏肿瘤的正确分类和肿瘤区域的正确分割。图1-2为一个肾脏肿瘤的三维CT血管造影图像和肿瘤与肾脏区域。(a)(b)(c)图1-2肾脏CT图像和专家手工分割的肾脏和肿瘤区域图注：(a)三维CT血管造影图像；(b)肿瘤区域高亮的三维CT血管造影图像；(c)专家手工分割肾脏和肿瘤区域卷积神经网络为近年来计算机视觉领域的热门技术，医学图像领域广泛使用神经网络辅助解决众多难题。分割和分类是医学图像领域的基本问题，利用神经网络解决这些问题的方法更是层出不穷，但是针对肾脏肿瘤分割和分类的相关研究比较少。针对肾脏肿瘤分割和分类中的难点，本文分别基于二维卷积神经网络和三维神经网络设计了双任务卷积神经网络——结合了分割任务和分类任务，并针对肾脏肿瘤的分割进行了一些优化。1.4论文组织结构本文基于卷积神经网络对肾脏肿瘤进行分割和分类。针对肾脏肿瘤分割和分类中存在的误分割和误分类等问题给出了解决办法，达到结果精确的同时实现了肾脏肿瘤分割和分类的双任务目的。本文主要由以下几章组成：第一章为绪论，介绍了肾脏肿瘤现状和其分割和分类的临床意义，梳理了现有的肾脏肿瘤分割和分类方法。分类方法主要分肿瘤区域分割、特征提娶训练分类器三步，分割方法多基于纹理、配准或卷积神经网络。第二章介绍了深度学习的基础框架、一些基本层的结构（如卷积、池化等）、神经网络的前向和后向计算、优化器的选择以及感受野大小的计算。此章节还详细描述了一些经典的分割和分类网络，阐述了卷积神经网络如何应用到医学图像中，包括数据集处理的关键点、网络结构的迁移和微调的依据和条件。第三章设计了肾脏肿
瘢?康氖鞘侗鹜枷裰械哪谌荩ㄊ?体）并且得到属于实体的全部像素，即为像素级的预测，通常我们也称其为密集预测。传统的CNN语义分割方法通过滑动窗内像素的分类结果预测一个像素的类别，训练困难、计算量大。全卷积神经网络（FullyConvolutionalNetworks，FCN）结构[41]的突破性在于实现了端到端的像素级分类，直接从整张图片学习出的特征中得到每个像素类别。FCN可被分为编码和解码两部分，编码网络提取特征，解码网络通过反卷积或上采样得到像素类别，大幅度提高了网络的训练速度和分割结果。FCN网络结构如图2-7所示。图2-7FCN网络结构继FCN后，分割领域的论文多基于FCN的网络结构提出改进。如SegNet[49]使用一种非线性的上采样结构，即记住最大池化层最大值所对应的索引，U-Net[37]提出一种对称的结构，结合来自浅层的特征。PSPNet[50]提出了金字塔池化结构（pyramidpoolingmodule，PPM），能够结合不同尺度的特征，增大网络的感受野。这些分割网络在它们所应用的任务中均取得了比较好的效果。961283843842564096409621
【参考文献】：
期刊论文
[1]螺旋CT双期扫描对不同肾癌亚型的诊断价值[J]. 戴景蕊,张连宇,张瑾,陈雁,张宏图,蒋玲霞,林蒙. 中华医学杂志. 2010 (31)
[2]CT成像技术的发展及技术特点[J]. 孙卫红. 医疗装备. 2007(06)
硕士论文
[1]基于深度学习的CT图像肾脏分割研究[D]. 李国清.东南大学 2018
本文编号：3445857
【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】：73 页
【学位级别】：硕士
【部分图文】：
图1-1两种极端情况的肾脏肿瘤和专家手工分割肾脏和肿瘤区域图注：(a)肾包膜外发展的大肿瘤和专家手工分割区域；(b)小肿瘤和专家手工分割区域
第一章绪论5究基于CT血管造影图像和CT尿路造影图像的肾脏肿瘤分割和分类。肾脏肿瘤种类复杂、大小各异以及位置难测，本文旨在对肾脏肿瘤的正确分类和肿瘤区域的正确分割。图1-2为一个肾脏肿瘤的三维CT血管造影图像和肿瘤与肾脏区域。(a)(b)(c)图1-2肾脏CT图像和专家手工分割的肾脏和肿瘤区域图注：(a)三维CT血管造影图像；(b)肿瘤区域高亮的三维CT血管造影图像；(c)专家手工分割肾脏和肿瘤区域卷积神经网络为近年来计算机视觉领域的热门技术，医学图像领域广泛使用神经网络辅助解决众多难题。分割和分类是医学图像领域的基本问题，利用神经网络解决这些问题的方法更是层出不穷，但是针对肾脏肿瘤分割和分类的相关研究比较少。针对肾脏肿瘤分割和分类中的难点，本文分别基于二维卷积神经网络和三维神经网络设计了双任务卷积神经网络——结合了分割任务和分类任务，并针对肾脏肿瘤的分割进行了一些优化。1.4论文组织结构本文基于卷积神经网络对肾脏肿瘤进行分割和分类。针对肾脏肿瘤分割和分类中存在的误分割和误分类等问题给出了解决办法，达到结果精确的同时实现了肾脏肿瘤分割和分类的双任务目的。本文主要由以下几章组成：第一章为绪论，介绍了肾脏肿瘤现状和其分割和分类的临床意义，梳理了现有的肾脏肿瘤分割和分类方法。分类方法主要分肿瘤区域分割、特征提娶训练分类器三步，分割方法多基于纹理、配准或卷积神经网络。第二章介绍了深度学习的基础框架、一些基本层的结构（如卷积、池化等）、神经网络的前向和后向计算、优化器的选择以及感受野大小的计算。此章节还详细描述了一些经典的分割和分类网络，阐述了卷积神经网络如何应用到医学图像中，包括数据集处理的关键点、网络结构的迁移和微调的依据和条件。第三章设计了肾脏肿
瘢?康氖鞘侗鹜枷裰械哪谌荩ㄊ?体）并且得到属于实体的全部像素，即为像素级的预测，通常我们也称其为密集预测。传统的CNN语义分割方法通过滑动窗内像素的分类结果预测一个像素的类别，训练困难、计算量大。全卷积神经网络（FullyConvolutionalNetworks，FCN）结构[41]的突破性在于实现了端到端的像素级分类，直接从整张图片学习出的特征中得到每个像素类别。FCN可被分为编码和解码两部分，编码网络提取特征，解码网络通过反卷积或上采样得到像素类别，大幅度提高了网络的训练速度和分割结果。FCN网络结构如图2-7所示。图2-7FCN网络结构继FCN后，分割领域的论文多基于FCN的网络结构提出改进。如SegNet[49]使用一种非线性的上采样结构，即记住最大池化层最大值所对应的索引，U-Net[37]提出一种对称的结构，结合来自浅层的特征。PSPNet[50]提出了金字塔池化结构（pyramidpoolingmodule，PPM），能够结合不同尺度的特征，增大网络的感受野。这些分割网络在它们所应用的任务中均取得了比较好的效果。961283843842564096409621
【参考文献】：
期刊论文
[1]螺旋CT双期扫描对不同肾癌亚型的诊断价值[J]. 戴景蕊,张连宇,张瑾,陈雁,张宏图,蒋玲霞,林蒙. 中华医学杂志. 2010 (31)
[2]CT成像技术的发展及技术特点[J]. 孙卫红. 医疗装备. 2007(06)
硕士论文
[1]基于深度学习的CT图像肾脏分割研究[D]. 李国清.东南大学 2018
本文编号：3445857
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3445857.html
最近更新
教材专著
