深度学习在医学影像分割中的应用

发布时间：2023-02-21 15:53

　　医学图像分割是利用医学图像进行计算机辅助诊断的关键。近年来深度学习在计算机视觉领域取得了令人瞩目的成果,卷积神经网络(Convolutional Neural Network,CNN)在图像分割问题上也获得了重大的突破。红核(Red Nucleus,RN)、黑质(Substantia Nigra,SN)和丘脑底核(Subthalamic Nucleus,STN)等核团中的铁沉积被认为与对帕金森氏综合征的发生发展有密切的关系,这些核团的准确分割是定量研究核团铁沉积的前提,具有重要意义。然而,由于核团体积小、与周围组织对比度差,精确分割十分困难。胰腺区域的自动分割,是对胰腺癌进行定量分析的前提。由于胰腺在体积、形态上个体差异性很大,同时,在影像上边界模糊,医生往往也需要根据解剖知识和经验来对边界进行判断,准确分割极为困难。基于此,本文尝试利用CNN对脑部定量磁化率图像(Quantitative Susceptibility Mapping,QSM)中的深部灰质核团的分割和腹部CT图像中的胰腺分割这两个医学影像分割难题进行研究。本文提出了基于多输入、多输出的2.5D Attention U-...

【文章页数】：62 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 医学图像分割背景
    1.2 基于传统算法的医学图像分割方法
        1.2.1 基于区域的分割方法
        1.2.2 基于边缘的分割方法
        1.2.3 基于分类的分割方法
    1.3 基于卷积神经网络的医学图像分割方法
        1.3.1 典型的医学图像分割模型
        1.3.2 分割模型训练中常用的损失函数
    1.4 医学图像分割的常用评价指标
    1.5 本文主要工作
第二章 基于深度学习结合迁移学习的脑部QSM核团分割
    2.1 背景介绍
        2.1.1 定量磁化率成像
        2.1.2 脑部QSM图像中部分深部灰质核团的分割
        2.1.3 迁移学习
        2.1.4 注意力机制简介
    2.2 数据及预处理
        2.2.1 实验数据
        2.2.2 数据预处理
    2.3 实验方法
        2.3.1 网络结构
        2.3.2 利用低分辨率图像分割RN和SN区域的训练过程
        2.3.3 利用高分辨率图像分割RN、SN和 STN区域
        2.3.4 利用迁移学习训练分割高分辨率图像中的RN、SN和 STN
        2.3.5 测试过程和评价指标
    2.4 结果
        2.4.1 分割低分辨率脑部QSM图像中的RN和 SN区域的分割模型Model1 的测试结果
        2.4.2 分割高分辨率脑部QSM图像中的RN、SN和 STN的各个分割模型的测试结果
    2.5 讨论
        2.5.1 对于网络设计的分析
        2.5.2 对于低分辨率数据分割结果的分析
        2.5.3 对于高分辨率数据分割结果的分析
        2.5.4 本章节研究工作的提升空间
第三章 基于腹部CT图像的胰腺分割方法
    3.1 背景介绍
    3.2 数据及预处理
        3.2.1 实验数据
        3.2.2 数据预处理
    3.3 实验方法
        3.3.1 网络结构
        3.3.2 对传统的U-Net网络的训练过程
        3.3.3 对2.5DU-Net网络的训练过程
        3.3.4 对SNet网络的训练过程
        3.3.5 对CSNet网络的训练过程
        3.3.6 测试过程
        3.3.7 评价指标
    3.4 结果
        3.4.1 对胰腺分割的视觉效果
        3.4.2 对胰腺分割的量化评估结果
    3.5 讨论
        3.5.1 从视觉效果上看CSNet与其余传统的U-Net相比
        3.5.2 从量化评估结果上看CSNet与其余传统U-Net网络相比
        3.5.3 本章节工作的局限与展望
第四章 总结与展望
    4.1 总结
    4.2 展望
参考文献
攻读硕士学位期间的学术成果
致谢



本文编号：3747719