基于全卷积神经网络的肝脏CT影像分割研究

发布时间：2018-06-06 22:46

  本文选题：深度学习 + 全卷积神经网络　； 参考：《计算机工程与应用》2017年18期

【摘要】：针对腹部CT影像邻近器官对比度较低及因个体肝脏形状差异较大等引起肝脏分割困难的问题,提出了全卷积神经网络肝脏分割模型。首先通过卷积神经网络提取图像深层、抽象的特征,再通过反卷积运算对提取到的特征映射进行插值重构后得到分割结果。由于单纯进行反卷积得到的分割结果往往比较粗糙,因此,在反卷积之前,先融合高层与低层的特征,并且通过增加反卷积的层数、减少反卷积步长,得到了更为精确的分割结果。与传统卷积神经网络的分割方法相比,该模型可以充分利用CT影像的空间信息。实验数据表明该模型能够使腹部CT影像肝脏分割具有较高的精度。
[Abstract]:Aiming at the difficulty of liver segmentation caused by low contrast of adjacent organs in abdominal CT images and large differences in individual liver shapes, a total convolution neural network liver segmentation model was proposed. Firstly, the deep and abstract features of the image are extracted by convolution neural network, and then the segmentation results are obtained by interpolation and reconstruction of the extracted feature map by deconvolution operation. Since the segmentation results obtained by pure deconvolution are often rough, before deconvolution, the features of high and low levels are fused first, and the step size of deconvolution is reduced by increasing the number of deconvolution layers. A more accurate segmentation result is obtained. Compared with the traditional segmentation method of convolution neural network, the model can make full use of the spatial information of CT images. Experimental data show that the model can make abdominal CT image liver segmentation with high accuracy.
【作者单位】： 吉林大学电子科学与工程学院;吉林大学白求恩第一医院放射科;
【基金】：吉林省自然科学基金(No.20140101175JC)
【分类号】：TP183;TP391.41

【相似文献】

相关期刊论文 前10条

1 旷章辉;王甲海;周雅兰;;用改进的竞争Hopfield神经网络求解多边形近似问题[J];计算机科学;2009年03期

2 高永建 ,吴健康;神经网络及其识别应用简介[J];电信科学;1990年02期

3 谢国梁;;神经网络:从希望到现实[J];激光与光电子学进展;1991年01期

4 郑士贵;文献自动阅读神经网络[J];管理科学文摘;1996年08期

5 吕芬;赵生妹;;基于Hopfield神经网络的噪声字母识别[J];计算机与信息技术;2005年12期

6 李毅;童红俊;宋贵宝;李冬;;神经网络在飞行器航迹仿真计算中的应用[J];海军航空工程学院学报;2006年05期

7 林钢;;基于SOM神经网络对潜在客户的挖掘[J];南宁职业技术学院学报;2006年04期

8 杨帆;陈劲杰;唐梅华;陈鑫;;简论神经网络在搜索中的应用[J];机械管理开发;2008年01期

9 朱红斌;;LVQ神经网络在交通事件检测中的应用[J];计算机工程与应用;2008年34期

10 李彤岩;李兴明;;神经网络在确定关联规则挖掘算法权值中的应用研究[J];计算机应用研究;2008年05期

相关会议论文 前10条

1 陈文新;王长富;戴蓓倩;;基于神经网络的汉语四声识别[A];第一届全国语言识别学术报告与展示会论文集[C];1990年

2 李睿;李明军;;一种模糊高斯基神经网络在数值逼近上的仿真[A];计算机技术与应用进展——全国第17届计算机科学与技术应用（CACIS）学术会议论文集（上册）[C];2006年

3 许旭萍;臧道青;;采用Hopfield神经网络实施缸盖表面点阵字符识别[A];第十五届全国汽车检测技术年会论文集[C];2011年

4 朱长春;;神经网络用于线性时固有系统的广义状态转移矩阵的识别[A];中国工程物理研究院科技年报（1999）[C];1999年

5 王玉斌;李永明;王颖;;用数据挖掘和神经网络技术预测工程造价[A];第十一届全国电工数学学术年会论文集[C];2007年

6 应捷;袁一方;;神经网络指纹特征点匹配算法的改进[A];2007'中国仪器仪表与测控技术交流大会论文集（二）[C];2007年

7 谢小良;符卓;;基于Hopfield神经网络的单周期船舶调度模型及算法[A];2008年全国开放式分布与并行计算机学术会议论文集(下册)[C];2008年

8 陈意;;神经网络在船舶识别一个应用[A];船舶航泊安全的新经验新技术论文集（上册）[C];2007年

9 王辉;杨杰;黎明;蔡念;;一种基于神经网络的图像复原方法[A];2006年全国光电技术学术交流会会议文集（D 光电信息处理技术专题）[C];2006年

10 贾睿;徐启强;刘艳;;基于神经网络的网壳结构近似分析研究[A];第二十一届全国振动与噪声高技术及应用学术会议论文集[C];2008年

相关重要报纸文章 前1条

1 中国科技大学计算机系　邢方亮;神经网络挑战人类大脑[N];计算机世界;2003年

相关博士学位论文 前10条

1 李晓刚;基于神经网络的码垛机器人视觉位姿测量及伺服控制研究[D];北京林业大学;2015年

2 户保田;基于深度神经网络的文本表示及其应用[D];哈尔滨工业大学;2016年

3 沈旭;基于序列深度学习的视频分析：建模表达与应用[D];中国科学技术大学;2017年

4 诸勇;正交回归神经网络及其在控制系统中的应用[D];浙江大学;1998年

5 田景文;地下油藏的仿真与预测[D];哈尔滨工程大学;2001年

6 彭宏京;基于稀疏RAM的神经网络及其人脸识别应用研究[D];南京航空航天大学;2002年

7 王吉权;BP神经网络的理论及其在农业机械化中的应用研究[D];沈阳农业大学;2011年

8 郭海湘;石油储层纵向预测软硬计算融合的理论与方法研究[D];中国地质大学;2008年

9 葛利;基于过程神经网络的时序数据挖掘研究[D];哈尔滨工程大学;2012年

10 柴冰华;色貌模型CIECAM02若干问题的研究[D];北京理工大学;2006年

相关硕士学位论文 前10条

1 陈彦至;神经网络降维算法研究与应用[D];华南理工大学;2015年

2 蔡邦宇;人脸识别中单次ERP时空特征分析及其快速检索的应用[D];浙江大学;2015年

3 郑川;垃圾评论检测算法的研究[D];西南交通大学;2015年

4 汪济民;基于卷积神经网络的人脸检测和性别识别研究[D];南京理工大学;2015年

5 彭玲玲;基于不确定理论与机器学习的行人检测[D];长安大学;2015年

6 杨陈东;BP-Fisher判别分析法[D];长安大学;2015年

7 孟鑫;基于Hadoop云平台下的客流量预测研究[D];长安大学;2015年

8 张勇;深度卷积神经网络在车牌和人脸检测领域的应用研究[D];郑州大学;2015年

9 宋璐璐;财经职业技术学院票务管理系统的设计与实现[D];西安工业大学;2015年

10 陈锐浩;基于神经网络的口令属性分析工具开发[D];上海交通大学;2015年

，

本文编号：1988412