基于深度学习的脑影像分割技术研究

发布时间：2021-02-18 16:39

　　随着工业化发展、人们的生活环境和生活方式的变化,脑肿瘤及脑血管疾病逐渐成为中国第一死因,而早诊断早治疗则有助于降低病人的死亡率。脑肿瘤及脑血管疾病的诊断、手术规划及术后治疗效果评估,往往依赖于核磁共振成像（Magnetic Resonance Imaging,MRI）计算机断层扫描（Computed Tomography,CT）等医学成像技术。由于存在大量的影像数据,手工提取感兴趣区域费时费力,因此从影像中自动化提取脑血管和脑肿瘤区域是计算机诊疗辅助系统的基础。本文从医学影像特点出发,围绕基于神经网络的脑血管分割和基于神经网络的脑肿瘤分割开展研究,从不同角度出发,提出了多种基于深度神经网络的解决方案。1.提出了基于多模态卷积神经网络的脑血管分割算法在脑血管分割上,本文首先引入了卷积神经网络模型,并详细讨论了不同网络参数对脑血管分割结果的影响。在此基础上,本文采用了高斯滤波及拉普拉斯滤波分别处理原始影像,并使用三个并行的卷积神经网络对这三种影像进行分割,最后融合三种影像的结果。该算法能够降低影像中噪声的影响以及影像中非血管组织的影响。经实验验证,本算法要优于传统脑血管分割算法,且多模态卷... 

【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校

【文章页数】：111 页

【学位级别】：博士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 研究背景及意义
        1.1.1 脑血管分割
        1.1.2 脑肿瘤分割
    1.2 国内外研究现状
        1.2.1 脑血管分割
        1.2.2 脑肿瘤分割
    1.3 研究内容及主要创新点
    1.4 论文组织结构
第二章 基础知识
    2.1 人工神经网络
        2.1.1 简介
        2.1.2 卷积神经网络
        2.1.3 对抗生成网络
    2.2 常用的基于CNN的图像分割框架
        2.2.1 基于图像块的分割方法
        2.2.2 常用的端到端的分割方法
    2.3 数据集及评价指标
        2.3.1 脑血管分割数据集及评价指标
        2.3.2 脑肿瘤分割数据集及评价指标
    2.4 小结
第三章 基于卷积神经网络的脑血管分割
    3.1 相关研究
    3.2 基于CNN的脑血管分割算法
        3.2.1 模型框架
        3.2.2 实验与分析
    3.3 基于多模态CNN的脑血管分割算法
        3.3.1 模型框架
        3.3.2 实验与分析
    3.4 小结
第四章 基于基础网络模型的脑肿瘤分割
    4.1 基于对抗生成网络的脑肿瘤分割算法
        4.1.1 相关研究
        4.1.2 模型框架
        4.1.3 实验与分析
    4.2 基于同一特征空间的脑肿瘤分割算法
        4.2.1 模型框架
        4.2.2 实验与分析
    4.3 小结
第五章 基于注意力机制的脑肿瘤分割
    5.1 基于对称性的脑肿瘤分割算法
        5.1.1 相关研究
        5.1.2 模型框架
        5.1.3 实验与分析
    5.2 两阶段由粗到细的脑肿瘤分割算法
        5.2.1 相关研究
        5.2.2 模型框架
        5.2.3 实验与分析
    5.3 小结
第六章 总结与展望
    6.1 研究工作总结
    6.2 未来工作展望
致谢
参考文献
攻读博士学位期间取得的成果


【参考文献】：
期刊论文
[1]基于自适应聚类中心的脑血管分割方法[J]. 王喆,赵世凤,田沄,王学松,周明全.  郑州大学学报(工学版). 2019(01)
[2]基于高斯-马尔科夫随机场模型的脑血管分割算法研究[J]. 曹容菲,张美霞,王醒策,武仲科,周明全,田沄,刘新宇.  电子与信息学报. 2014(09)



本文编号：3039811