基于卷积神经网络的心脏右心室图像分割

发布时间：2024-06-28 23:24

　　心血管疾病是威胁人类健康的几种重要疾病之一,不少家庭因此病而家破人亡、妻离子散,所以尽早发现并且及时治疗对于病患来说很重要。通常临床医生会根据心室的分割图像来推导心室体积、射血分数、心肌质量等临床参数,有了这些参数就可以定量分析患者的心功能是否正常。由于右心室结构比左心室复杂,而且右心室壁比左心室壁薄,使得右心室很容易与周围组织混在一起,因此右心室分割一直是比较困难的,且专门针对右心室分割的文献又比较少,所以本文主要对右心室分割问题展开研究。传统的右心室图像分割方法需要有经验的医生作为指导,分割过程费时费力,且分割效果还与医生的经验有关,导致分割方法很难在精度高的前提下又具有良好的泛化能力。因此提出一种分割精度高、速度快、泛化能力强的右心室分割算法有着非常重要的意义。本文在分析了国内外现有的右心室分割算法的缺点后,以Unet网络和密集连接网络为基础提出了两种改进网络。其中基于Unet的改进网络通过使用samepadding的扩展卷积解决了网络感受野较小,网络输入输出图像大小不一致等问题。另外根据实验图像大小,去除了一个上采样层和一个下采样层,减少了网络的运算量。为了提升网络的训练速度又...

【文章页数】：67 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
    1.3 本文研究内容及本文安排
第二章 医学图像分割综述
    2.1 引言
    2.2 磁共振图像相关知识
        2.2.1 磁共振成像原理
        2.2.2 磁共振图像的特点
    2.3 医学图像分割的定义
    2.4 常用的医学图像分割方法
        2.4.1 基于边缘的图像分割方法
        2.4.2 基于区域的图像分割方法
        2.4.3 基于特定理论的图像分割方法
    2.5 本章小结
第三章 卷积神经网络原理
    3.1 引言
    3.2 卷积神经网络基本原理
        3.2.1 神经网络
        3.2.2 卷积神经网络
        3.2.3 卷积层
        3.2.4 池化层
        3.2.5 全连接层
        3.2.6 激活函数
        3.2.7 损失函数
        3.2.8 优化函数
    3.3 全卷积神经网络的原理
    3.4 神经网络超参数的选择
    3.5 神经网络模型的误差
    3.6 Keras深度学习框架的简介
    3.7 本章小结
第四章 基于二维全卷积神经网络的右心室分割
    4.1 引言
    4.2 数据集的介绍
    4.3 数据集预处理
    4.4 右心室分割评价指标
    4.5 基于Unet网络的右心室分割
        4.5.1 Unet网络介绍
        4.5.2 Unet网络原理
        4.5.3 Unet网络的训练策略
        4.5.4 实验结果分析
    4.6 基于Unet改进网络的右心室分割
        4.6.0 扩展卷积的介绍
        4.6.1 规范层的原理及作用
        4.6.2 drop out原理及作用
        4.6.3 改进型的Unet网络结构
        4.6.4 训练策略
        4.6.5 实验结果分析
    4.7 基于改进密集连接网络的右心室分割
        4.7.1 密集连接网络的介绍
        4.7.2 改进后的密集连接网络
        4.7.3 训练策略
        4.7.4 实验结果分析
    4.8 本章小结
第五章 总结与展望
    5.1 论文总结
    5.2 未来展望
参考文献
攻读硕士学位期间的学术成果
致谢



本文编号：3996813