基于深度学习的心脏心室及心房分割方法研究

发布时间：2021-12-25 04:43

　　近年来,利用深度学习辅助诊断医学图像的技术成为热门的研究方向。根据有关资料显示,心血管疾病是造成全世界死亡率较高的重要因素。如何提高医生对心血管疾病的诊断效率以及尽早的确定治疗方案也成为了人们较为关注的健康问题。通过利用计算机辅助手段来快速地处理大量的心脏图像数据以此加快医生的诊断效率和准确率,这是非常具有临床研究意义的一项工作。之前针对心脏图像的研究都是利用手工来描绘分析心脏组织结构（如双心室和左心房）的轮廓,通过量化分析组织结构的各项功能指标来判断心脏是否发生病变。在临床应用上,目前主要还是通过放射科医生人工描绘心脏双室和左心房的轮廓,这比较耗时,枯燥且效率低下。本文通过利用深度学习算法实现心脏的双心室和左心房区域的精确分割,具体研究工作如下:1.从磁共振图像准确分割心脏双心室对分析和评估心血管系统的功能具有重要意义。然而,心脏双心室图像的复杂结构使全自动分割成为众所周知的挑战。本文从像素水平的角度提出了一种改进的编码器-解码器网络,用于双心室分割。该网络通过改进的编码器-解码器体系结构明确解决了复杂心脏结构的高可变性,该体系结构由着火空洞卷积模块和消防空洞卷积模块组成。这种改进的... 

【文章来源】：安徽大学安徽省 211工程院校

【文章页数】：65 页

【学位级别】：硕士

【部分图文】：

心脏MRI图像示意图

心脏GE-MRI图像以及LA三维结构示意图

第二章相关理论与基础10图2.3最大池化和平均池化的示意图Figure2.3Schematicdiagramofmaxpoolingandaveragepooling2.3.2空洞卷积网络在经典的卷积网络中，池化操作可以起到减小图像本身的尺寸并降低其分辨率的作用，并且图像的所能接收到的感受野也被扩大[48]。然而，经过池化层处理之后的图像会丢失很多空间细节信息，这将导致图像中目标区域的细节信息难以复原，尤其是一些小目标的详细信息。而空洞卷积采用可以扩张的卷积核来实现卷积操作，这样一来就可以避免丢失图像信息。因此，空洞卷积既可以不降低图像分辨率又可以增加感受野，而且还能够保留了图像内部的数据结构。空洞卷积也称为带孔卷积或无孔卷积，在不降低图像分辨率或覆盖范围的情况下，空洞卷积支持感受野以指数形式扩展并能够捕获更多的上下文信息，基于这一事实空洞卷积被广泛用于语义分割领域[49]。为了更好地理解空洞卷积，首先简单描述下标准2D卷积层。假设(,)表示输出上的位置，(,)表示空间坐标位置，表示权重，表示核函数，表示偏差。因此输入特征图上步幅为1的2D卷积公式如下：()=∑(+)()+()(2.2)其中表示修正线性单元（RectifiedLinearUnit,ReLU）的核方向非线性变换。""是卷积运算符。空洞卷积将每个内核的扩展速率增加：()=∑(+.)()+()(2.3)其中.是通过沿着每个空间维度在每个内核中的两个连续值之间插入1个零而产生的，标准2D卷积事实上就是=1时的空洞卷积。空洞卷积的感受野是一个呈指数增长的平方，如图2.4所示，绿色方块表示3×3滤波器的数据点，红色区域表示3×3滤波


本文编号：3551810