基于卷积神经网络的肝脏图像分割和分类技术研究
发布时间：2021-11-10 15:20
随着成像技术的成熟,医学影像在辅助腹部疾病的诊断中扮演着至关重要的角色。然而人体不同器官组织在影像中的呈现并无明显的像素密度差异,这会对诊断过程造成极大的困扰。通过精确到像素级别的计算机相关技术来进行医学图像处理,有助于辅助实现精准医疗,因此对基于计算机技术的医学图像处理方法的相关研究具有重大而深远的意义。本文便是基于深度学习和迁移学习等计算机技术,进行腹部CT图像分割和分类方法的相关研究。1.在肝脏及肝脏病变区域分割中,针对较小区域难以进行精准分割的问题,提出基于Inception-selected U-net（IsU-net）网络的肝脏分割方法,并结合迁移学习实现肝脏病变区域的分割。在IsU-net中,首先在下采样过程,通过结合不同感受野的卷积核的方式来从原始图像中提取多种尺度的特征信息;其次在上采样即特征信息恢复过程中,通过从对应下采样层结果中筛选有利的特征作为特征补充,从而减少相关特征信息的丢失;最后在训练网络时,综合考量上采样各个阶段的误差,实现对网络的约束优化,从而进一步提高恢复的特征信息的完成性。实验证明,IsU-net能有效缓解肝脏分割中小区域难以精准分割的问题。2.在...
【文章来源】：江苏大学江苏省
【文章页数】：63 页
【学位级别】：硕士
【部分图文】：
CNNs卷积运算过程
基于卷积神经网络的肝脏图像分割和分类技术研究14确性。本方法对于医学图像分割方法的研究也是基于U-net来进行的。图2.2U-net网络结构图Fig2.2ModelstructureofU-net2.2.3深度学习中的分类网络在深度学习的发展过程中，经典的拥有较强普适性的分类网络有VGGNet[49]、InceptionNet[50]、DenseNet[51]、ResNet[52]。这四种网络分别从不同的角度提高网络提取特征的能力。不同的卷积核大小，提取的特征信息也是不同的，但是卷积核越大，训练网络的运算量也越大，VGG系列的网络采用连续的几个3×3的卷积核来代替5×5、7×7和11×11这样更大的卷积核。对于相同的感受野，采用堆叠的较小尺寸卷积核优于采用较大的卷积核，一方面小的卷积核需要的参数更少，因此能减少每次运算的代价；另一方面，一个大卷积核用多个小尺寸卷积核的串联代替时，也可以增加非线性层的数量，多层非线性层可以通过增加网络深度来保证网络能学习更复杂的模式。Inception系列网络与传统的通过加深网络深度来提高模型性能的一层一卷积方式大不相同，该网络设计了名为Inception的模块来代替普通卷积，Inception模块的结构如下图2.3所示，该模块采用将不同大小的卷积核并联的方式，在保证网络深度的同时通过加宽网络来提高模型性能。如果将上述5×5、7×7和11×11的卷积核并联，虽然可以在一定程度上提升网络性能，但是随之而来的更是巨大的以当时计算机硬件条件还难以负担的参数运算量；因此在设计Inception时，将5×5、7×7和11×11这些×大的卷积层拆分成1×和×1两种卷积层的串联，与此同时添加1×1的卷积来减少运算量。
江苏大学工学硕士学位论文15图2.3Inception模块结构图Fig2.3ModuleStructureofInception上述两种网络都是从改变卷积层内部结构来提升模型性能，而传统的CNN因为通常是不同卷积层的串联，每一层卷积层的输入只包含它前一层卷积层的输出，所有当进一步加深网络深度的时候，难以避免的会出现一个问题——有些有用特征在经过很多层之后就消失了，而DenseNet和ResNet的初衷就是为缓解这个问题。DenseNet为确保网络层之间的最大信息流，在所有卷积层之间都建立直接连接。为保持前馈特性，在逐层进行卷积操作时不会出现信息丢失的现象，DensetNet每个卷积层都会从前面的所有层获得额外的输入，同时将自己本身的输出特征传递给后面的所有层，具体结构如图2.4所示。DenseNet虽然保证了网络的前馈信息丢失，但同时也增加了特征信息的冗余和网络的运算量。图2.4DenseNet结构图Fig2.4ModelStructureofDenseNet相较DenseNet这种所有层之间建立连接的方式，ResNet通过在间隔一定层数的卷积层连接之间设计一种跳跃式的连接并称这种连接为残差连接，如图2.5所示。ResNet其实提供了两种选择，一是通过残差连接通过两路信息的传达，即上一层的原始信息和加工过的信息的传达来解决网络传播过程中信息丢失的问题，同时只增
【参考文献】：
期刊论文
[1]基于超像素的联合能量主动轮廓CT图像分割方法[J]. 刘侠,甘权,刘晓,王波. 光电工程. 2020(01)
[2]基于卷积神经网络的肾脏占位CT图像的良恶性分类研究[J]. 周蕾蕾,张作恒,陈宇辰,付晶晶,殷信道,蒋红兵. 国际生物医学工程杂志. 2018 (05)
[3]结合改进的U-Net和Morphsnakes的肝脏分割[J]. 刘哲,张晓林,宋余庆,朱彦,袁德琪. 中国图象图形学报. 2018(08)
[4]医学图像分析深度学习方法研究与挑战[J]. 田娟秀,刘国才,谷珊珊,鞠忠建,刘劲光,顾冬冬. 自动化学报. 2018(03)
[5]基于深度学习的医学图像识别研究进展[J]. 刘飞,张俊然,杨豪. 中国生物医学工程学报. 2018(01)
[6]基于图割和边缘行进的肝脏CT序列图像分割[J]. 廖苗,赵于前,曾业战,黄忠朝,邹北骥. 电子与信息学报. 2016(06)
[7]自适应区域生长算法在医学图像分割中的应用[J]. 陆剑锋,林海,潘志庚. 计算机辅助设计与图形学学报. 2005(10)
硕士论文
[1]基于U-Net的肝脏CT图像分割研究[D]. 张凯文.华南理工大学 2019
本文编号：3487521
【文章来源】：江苏大学江苏省
【文章页数】：63 页
【学位级别】：硕士
【部分图文】：
CNNs卷积运算过程
基于卷积神经网络的肝脏图像分割和分类技术研究14确性。本方法对于医学图像分割方法的研究也是基于U-net来进行的。图2.2U-net网络结构图Fig2.2ModelstructureofU-net2.2.3深度学习中的分类网络在深度学习的发展过程中，经典的拥有较强普适性的分类网络有VGGNet[49]、InceptionNet[50]、DenseNet[51]、ResNet[52]。这四种网络分别从不同的角度提高网络提取特征的能力。不同的卷积核大小，提取的特征信息也是不同的，但是卷积核越大，训练网络的运算量也越大，VGG系列的网络采用连续的几个3×3的卷积核来代替5×5、7×7和11×11这样更大的卷积核。对于相同的感受野，采用堆叠的较小尺寸卷积核优于采用较大的卷积核，一方面小的卷积核需要的参数更少，因此能减少每次运算的代价；另一方面，一个大卷积核用多个小尺寸卷积核的串联代替时，也可以增加非线性层的数量，多层非线性层可以通过增加网络深度来保证网络能学习更复杂的模式。Inception系列网络与传统的通过加深网络深度来提高模型性能的一层一卷积方式大不相同，该网络设计了名为Inception的模块来代替普通卷积，Inception模块的结构如下图2.3所示，该模块采用将不同大小的卷积核并联的方式，在保证网络深度的同时通过加宽网络来提高模型性能。如果将上述5×5、7×7和11×11的卷积核并联，虽然可以在一定程度上提升网络性能，但是随之而来的更是巨大的以当时计算机硬件条件还难以负担的参数运算量；因此在设计Inception时，将5×5、7×7和11×11这些×大的卷积层拆分成1×和×1两种卷积层的串联，与此同时添加1×1的卷积来减少运算量。
江苏大学工学硕士学位论文15图2.3Inception模块结构图Fig2.3ModuleStructureofInception上述两种网络都是从改变卷积层内部结构来提升模型性能，而传统的CNN因为通常是不同卷积层的串联，每一层卷积层的输入只包含它前一层卷积层的输出，所有当进一步加深网络深度的时候，难以避免的会出现一个问题——有些有用特征在经过很多层之后就消失了，而DenseNet和ResNet的初衷就是为缓解这个问题。DenseNet为确保网络层之间的最大信息流，在所有卷积层之间都建立直接连接。为保持前馈特性，在逐层进行卷积操作时不会出现信息丢失的现象，DensetNet每个卷积层都会从前面的所有层获得额外的输入，同时将自己本身的输出特征传递给后面的所有层，具体结构如图2.4所示。DenseNet虽然保证了网络的前馈信息丢失，但同时也增加了特征信息的冗余和网络的运算量。图2.4DenseNet结构图Fig2.4ModelStructureofDenseNet相较DenseNet这种所有层之间建立连接的方式，ResNet通过在间隔一定层数的卷积层连接之间设计一种跳跃式的连接并称这种连接为残差连接，如图2.5所示。ResNet其实提供了两种选择，一是通过残差连接通过两路信息的传达，即上一层的原始信息和加工过的信息的传达来解决网络传播过程中信息丢失的问题，同时只增
【参考文献】：
期刊论文
[1]基于超像素的联合能量主动轮廓CT图像分割方法[J]. 刘侠,甘权,刘晓,王波. 光电工程. 2020(01)
[2]基于卷积神经网络的肾脏占位CT图像的良恶性分类研究[J]. 周蕾蕾,张作恒,陈宇辰,付晶晶,殷信道,蒋红兵. 国际生物医学工程杂志. 2018 (05)
[3]结合改进的U-Net和Morphsnakes的肝脏分割[J]. 刘哲,张晓林,宋余庆,朱彦,袁德琪. 中国图象图形学报. 2018(08)
[4]医学图像分析深度学习方法研究与挑战[J]. 田娟秀,刘国才,谷珊珊,鞠忠建,刘劲光,顾冬冬. 自动化学报. 2018(03)
[5]基于深度学习的医学图像识别研究进展[J]. 刘飞,张俊然,杨豪. 中国生物医学工程学报. 2018(01)
[6]基于图割和边缘行进的肝脏CT序列图像分割[J]. 廖苗,赵于前,曾业战,黄忠朝,邹北骥. 电子与信息学报. 2016(06)
[7]自适应区域生长算法在医学图像分割中的应用[J]. 陆剑锋,林海,潘志庚. 计算机辅助设计与图形学学报. 2005(10)
硕士论文
[1]基于U-Net的肝脏CT图像分割研究[D]. 张凯文.华南理工大学 2019
本文编号：3487521
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3487521.html
最近更新
教材专著
