基于生成对抗网络的核磁共振影像超分辨分析及其在乳腺癌分子病理信息预测中的应用
发布时间：2020-12-31 15:43
乳腺癌是当今世界女性最多发的恶性肿瘤,其发病率和死亡率呈逐年上升趋势。如何利用肿瘤的分子病理信息改进乳腺癌的早期检测和治疗方案是当务之急。乳腺癌的组织学分级与Ki-67表达均对乳腺癌的预后治疗提供了重要指导信息。磁共振成像（Magnetic resonance imaging,MRI）是一种多参数成像,其中动态增强磁共振成像（Dynamic contrast enhancement MRI,DCE-MRI）和弥散加权成像（Diffusion weighted imaging,DWI）的联合应用可以提高乳腺癌诊断的准确性。DCE-MRI不仅可以显示出病变组织的形态学特征,也可以反映病变组织的微观信息,其影像分辨率较高,但需提前注射造影剂。DWI能反映肿瘤的血管结构和含水量等生物学特性,但是其影像分辨率较低。对于DWI而言,由于技术的限制,获得理想分辨率的影像并不容易。低分辨率的影像往往会对专业医师的准确诊断造成阻碍。超分辨率（super-resolution,SR）重建技术通过从低分辨率（low-resolution,LR）图像生成高分辨率（high-resolution,HR）图像来解...
【文章来源】：杭州电子科技大学浙江省
【文章页数】：65 页
【学位级别】：硕士
【部分图文】：
SRCNN网络结构图
杭州电子科技大学硕士学位论文10图2.1SRCNN网络结构图SRCNN的结构分为以下三个部分：第一步为特征提取和表示：对LR图像进行特征提取，并表示为特征图，具体操作如式（2.7）：111F(Y)f(WYB)(2.7)其中Y为输入的LR图像，1W是大小为11ff的卷积核，*表示卷积运算，1B为偏置项，f(x)表示ReLU激活函数。第二步为非线性映射：将第一步提取的特征图映射至HR图像所需的特征图，具体操作如式（2.8）：2212F(Y)f(WF(Y)B)(2.8)其中2W是大小为22ff的卷积核，2B为偏置项。第三步HR图像的重建：将第二阶段映射后的特征恢复为HR图像，具体操作如式（2.9）：3323F(Y)f(WF(Y)B)(2.9)其中3W是大小为33ff的卷积核，3B为偏置项，3F(Y)表示最终的HR图像。（2）深度递归卷积网络（Deeply-RecursiveConvolutionalNetwork，DRCN）2016年，韩国首尔国立大学的JiwonKim[52]等人提出了一种DRCN模型。和SRCNN相比，DRCN通过采用更多的卷积层来增加了网络的感受野（41×41），同时为了防止产生过多的网络参数，DRCN提出使用递归神经网络（RecursiveNeuralNetwork,RNN）。DRCN的网络结构如图2.2所示：图2.2DRCN网络结构图
杭州电子科技大学硕士学位论文11与SRCNN类似，DRCN也主要分为三个部分：第一部分是“Embeddingnetwork”模块，用来做特征提取和表示。第二部分是“Inferencenetwork”模块，用来做特征的非线性变换，这个模块采用RNN实现网络参数的共享，从而避免产生过多网络参数。第三部分是“Reconstructionnetwork”模块，即从特征图中重建出HR图像。（3）深度卷积超分辨率网络（Super-ResolutionUsingVeepDeepConvolutionalNetworks,VDSR）2016年11月，韩国首尔国立大学的Kim等人[53]又提出一种VDSR模型，其网络架构如图2.3所示：图2.3VDSR网络结构图VDSR模型主要有以下几点优势：扩大感受野，可以获得更多图像信息；将残差思想引入到超分辨任务中，学习LR图像和HR图像之间的残差，提高收敛速度；可以设置不同尺度参数，对超分辨放大倍数进行调整。（4）超分辨率生成对抗网络（Super-ResolutionGenerativeAdversarialNetwork，SRGAN）2017年，Ledig等人将GAN的思想引入超分辨率重建任务提出了SRGAN模型。SRGAN有两点创新：1）引入GAN中博弈对抗的思想；2）采用感知损失（包括对抗损失和内容损失）替代MSE损失，使得生成器能够生成纹理细节更加丰富的SR图像。SRGAN的最终目标是产生一个生成器模型，生成和原始HR图像最接近的SR图像。本论文第三章将对SRGAN进行详细介绍。2.5超分辨率影像评价指标SR图像重建之后需要对其进行质量评价。目前有两类评价指标：主观评价指标和客观评价指标。其中，主观评价指标关注的是人自身对重建图像的视觉评价，一般采用平均主观意
【参考文献】：
期刊论文
[1]图像质量评价:融合视觉特性与结构相似性指标[J]. 朱新山,姚思如,孙彪,钱永军. 哈尔滨工业大学学报. 2018(05)
[2]图像超分辨率重建的研究进展[J]. 曾凯,丁世飞. 计算机工程与应用. 2017(16)
[3]图像域自适应线性自回归MRI图像客观质量提升算法研究[J]. 武博,李文志,张旭,段娟,孙智,梁志远,张楠. 北京生物医学工程. 2016(06)
[4]DCE-MRI原理及临床应用情况[J]. 王艾博,边杰. 中国临床医学影像杂志. 2016(06)
[5]基于空间FCM与MRF方法的乳腺MRI序列三维病灶分割研究[J]. 张承杰,厉力华. 中国生物医学工程学报. 2014(02)
[6]全数字化乳腺钼靶X线摄影在乳腺癌诊断中的研究进展[J]. 刘伟娟,黄飞. 中国中西医结合影像学杂志. 2013(05)
[7]超分辨率图像重建方法综述[J]. 苏衡,周杰,张志浩. 自动化学报. 2013(08)
[8]超分辨率重建算法综述[J]. 刘娟娟. 科技信息. 2013(08)
[9]恶性肿瘤生物特性与Ki67基因表达的关系研究进展[J]. 韦祝新,王绍丰. 中国医药导刊. 2011(08)
[10]基于ITK的医学图像配准的应用[J]. 谢昱锐,谢明元,杨玲. 计算机仿真. 2010(03)
硕士论文
[1]基于深度学习的单张低分辨率图像的超分辨率技术的研究[D]. 刘一胶.北京邮电大学 2019
[2]基于T2WI和DCE-MRI影像特征融合的乳腺癌组织学分级预测研究[D]. 谢素丹.杭州电子科技大学 2019
[3]基于多参数影像和多任务学习方法的乳腺癌分级及Ki-67表达预测研究[D]. 赵文芮.杭州电子科技大学 2019
[4]基于生成对抗网络的声学图像超分辨率研究[D]. 梁雪灿.哈尔滨工程大学 2019
[5]生成对抗网络的图像超分辨率重建[D]. 高春波.浙江理工大学 2019
[6]基于深度学习的医学影像多特征融合分类算法研究[D]. 王齐耀.武汉理工大学 2018
[7]基于DCE-MRI的乳腺肿瘤异质性区域分割方法及其在Ki-67表达预测中应用[D]. 程虎.杭州电子科技大学 2018
本文编号：2949880
【文章来源】：杭州电子科技大学浙江省
【文章页数】：65 页
【学位级别】：硕士
【部分图文】：
SRCNN网络结构图
杭州电子科技大学硕士学位论文10图2.1SRCNN网络结构图SRCNN的结构分为以下三个部分：第一步为特征提取和表示：对LR图像进行特征提取，并表示为特征图，具体操作如式（2.7）：111F(Y)f(WYB)(2.7)其中Y为输入的LR图像，1W是大小为11ff的卷积核，*表示卷积运算，1B为偏置项，f(x)表示ReLU激活函数。第二步为非线性映射：将第一步提取的特征图映射至HR图像所需的特征图，具体操作如式（2.8）：2212F(Y)f(WF(Y)B)(2.8)其中2W是大小为22ff的卷积核，2B为偏置项。第三步HR图像的重建：将第二阶段映射后的特征恢复为HR图像，具体操作如式（2.9）：3323F(Y)f(WF(Y)B)(2.9)其中3W是大小为33ff的卷积核，3B为偏置项，3F(Y)表示最终的HR图像。（2）深度递归卷积网络（Deeply-RecursiveConvolutionalNetwork，DRCN）2016年，韩国首尔国立大学的JiwonKim[52]等人提出了一种DRCN模型。和SRCNN相比，DRCN通过采用更多的卷积层来增加了网络的感受野（41×41），同时为了防止产生过多的网络参数，DRCN提出使用递归神经网络（RecursiveNeuralNetwork,RNN）。DRCN的网络结构如图2.2所示：图2.2DRCN网络结构图
杭州电子科技大学硕士学位论文11与SRCNN类似，DRCN也主要分为三个部分：第一部分是“Embeddingnetwork”模块，用来做特征提取和表示。第二部分是“Inferencenetwork”模块，用来做特征的非线性变换，这个模块采用RNN实现网络参数的共享，从而避免产生过多网络参数。第三部分是“Reconstructionnetwork”模块，即从特征图中重建出HR图像。（3）深度卷积超分辨率网络（Super-ResolutionUsingVeepDeepConvolutionalNetworks,VDSR）2016年11月，韩国首尔国立大学的Kim等人[53]又提出一种VDSR模型，其网络架构如图2.3所示：图2.3VDSR网络结构图VDSR模型主要有以下几点优势：扩大感受野，可以获得更多图像信息；将残差思想引入到超分辨任务中，学习LR图像和HR图像之间的残差，提高收敛速度；可以设置不同尺度参数，对超分辨放大倍数进行调整。（4）超分辨率生成对抗网络（Super-ResolutionGenerativeAdversarialNetwork，SRGAN）2017年，Ledig等人将GAN的思想引入超分辨率重建任务提出了SRGAN模型。SRGAN有两点创新：1）引入GAN中博弈对抗的思想；2）采用感知损失（包括对抗损失和内容损失）替代MSE损失，使得生成器能够生成纹理细节更加丰富的SR图像。SRGAN的最终目标是产生一个生成器模型，生成和原始HR图像最接近的SR图像。本论文第三章将对SRGAN进行详细介绍。2.5超分辨率影像评价指标SR图像重建之后需要对其进行质量评价。目前有两类评价指标：主观评价指标和客观评价指标。其中，主观评价指标关注的是人自身对重建图像的视觉评价，一般采用平均主观意
【参考文献】：
期刊论文
[1]图像质量评价:融合视觉特性与结构相似性指标[J]. 朱新山,姚思如,孙彪,钱永军. 哈尔滨工业大学学报. 2018(05)
[2]图像超分辨率重建的研究进展[J]. 曾凯,丁世飞. 计算机工程与应用. 2017(16)
[3]图像域自适应线性自回归MRI图像客观质量提升算法研究[J]. 武博,李文志,张旭,段娟,孙智,梁志远,张楠. 北京生物医学工程. 2016(06)
[4]DCE-MRI原理及临床应用情况[J]. 王艾博,边杰. 中国临床医学影像杂志. 2016(06)
[5]基于空间FCM与MRF方法的乳腺MRI序列三维病灶分割研究[J]. 张承杰,厉力华. 中国生物医学工程学报. 2014(02)
[6]全数字化乳腺钼靶X线摄影在乳腺癌诊断中的研究进展[J]. 刘伟娟,黄飞. 中国中西医结合影像学杂志. 2013(05)
[7]超分辨率图像重建方法综述[J]. 苏衡,周杰,张志浩. 自动化学报. 2013(08)
[8]超分辨率重建算法综述[J]. 刘娟娟. 科技信息. 2013(08)
[9]恶性肿瘤生物特性与Ki67基因表达的关系研究进展[J]. 韦祝新,王绍丰. 中国医药导刊. 2011(08)
[10]基于ITK的医学图像配准的应用[J]. 谢昱锐,谢明元,杨玲. 计算机仿真. 2010(03)
硕士论文
[1]基于深度学习的单张低分辨率图像的超分辨率技术的研究[D]. 刘一胶.北京邮电大学 2019
[2]基于T2WI和DCE-MRI影像特征融合的乳腺癌组织学分级预测研究[D]. 谢素丹.杭州电子科技大学 2019
[3]基于多参数影像和多任务学习方法的乳腺癌分级及Ki-67表达预测研究[D]. 赵文芮.杭州电子科技大学 2019
[4]基于生成对抗网络的声学图像超分辨率研究[D]. 梁雪灿.哈尔滨工程大学 2019
[5]生成对抗网络的图像超分辨率重建[D]. 高春波.浙江理工大学 2019
[6]基于深度学习的医学影像多特征融合分类算法研究[D]. 王齐耀.武汉理工大学 2018
[7]基于DCE-MRI的乳腺肿瘤异质性区域分割方法及其在Ki-67表达预测中应用[D]. 程虎.杭州电子科技大学 2018
本文编号：2949880
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/2949880.html
