基于深度学习的缺血性脑卒中病灶分割的研究
发布时间：2021-03-10 13:42
急性缺血性脑卒中是较为常见的脑血管疾病,具有高患病率、高死亡率等特性。及时准确的诊断和治疗能有效地改善脑部缺血区的供血,从而降低致残或死亡的风险。目前,对急性缺血性脑卒中的诊断往往是依靠医生对脑卒中磁共振成像（Magnetic resonance images,MRI）进行分析,通过对病灶的位置、形状、边界及大小进行观测来制定诊疗方案,但这样费时费力且会引入观测者间的主观差异。建立缺血性脑卒中病灶自动诊断方法可以帮助医生快速准确地制定诊疗方案、提高诊断准确率、缩短抢救时间。本文基于深度神经网络,提出了四种缺血性脑卒中病灶自动分割方法,并应用于缺血性脑卒中分割（Ischemic Stroke Lesion Segmentation,ISLES）2015 MRI数据库,用DICE、精确度、灵敏度及分割距离系数指标对实验分割结果进行评估,并通过与现存方案对比来说明本文所提方案的优越性。主要研究内容如下:（1）提出基于二维（Two-dimensional,2D）全卷积神经网络的缺血性脑卒中病灶分割算法。该算法首先选取缺血性脑卒中的MRI切片数据,并完成数据预处理;其次,通过U型全卷积神经网络（...
【文章来源】：南昌大学江西省 211工程院校
【文章页数】：71 页
【学位级别】：硕士
【部分图文】：
基于2D全卷积神经网络的缺血性脑卒中分割算法一化、数据增广）
2 章 基于 2D 全卷积神经网络的缺血性脑卒中分lingLayer）也称下采样层（SubsamplingLaye维度，进而使网络中的参数和计算量减少的高模型容错性。池化层的表达式如下所示。1( ( ) )l l l lj j j jx f down x b ( )表示为下采样函数， 和b 分别表示乘性用的池化操作有两种，分别为均值池化(Meng)。均值池化就是将滤波器范围内的均值作器范围内的最大值作为池化输出，如图 2.1
此需要在最后一层卷积层后添加上采样层（upsampling layer）。上采样操作就是一个图像插值过程，在 FCN 中通过对特征图进行双线性插值来获得与输入图像大小一致的分割结果。在经过上采样之后，用softmax层对每一个像素进行分类，计算损失函数通过反向传播来更新网络参数。而为了得到更细化的分割结果，FCN 用了跳跃连接（skiparchitecture）将浅层的空间信息与深层的特征信息相结合,分别提出了 FCN-32s、FCN-16s 及 FCN-8s 三种上采样方式不同的网络架构。FCN-32s 就是在网络经过 5 次卷积池化，各层的输出图像分辨率依次缩小了 2，4，8，16，32 倍后，直接对最后一层输出特征图进行 32 倍的上采样操作，但是这样获得的分割结果极为粗糙。FCN-16s 是将最后一层的特征图与第四层池化层的进行融合，对融合后的特征图进行 16 倍的上采样操作。而 FCN-8s 是将最后一层得到的特征图、第四层池化层得到的特征图以及第三层得到的特征图融合到一起在进行 8 倍的上采样操作。结果表明 FCN-8s 的分割结果最优，FCN-16s的效果次之，FCN-32s 的分割效果最差。本研究用 FCN-8s 对 TTP 模态的急性缺血性脑卒中 MRI 切片图进行分割，网络架构如图 2.12 所示。
【参考文献】：
期刊论文
[1]深度学习理论综述[J]. 韩小虎,徐鹏,韩森森. 计算机时代. 2016(06)
博士论文
[1]基于神经网络技术的结构可靠性分析与优化设计[D]. 张雷.吉林大学 2004
硕士论文
[1]结合MRI多模态信息与3D-CNNS特征提取的脑肿瘤分割研究[D]. 罗蔓.南方医科大学 2015
本文编号：3074757
【文章来源】：南昌大学江西省 211工程院校
【文章页数】：71 页
【学位级别】：硕士
【部分图文】：
基于2D全卷积神经网络的缺血性脑卒中分割算法一化、数据增广）
2 章 基于 2D 全卷积神经网络的缺血性脑卒中分lingLayer）也称下采样层（SubsamplingLaye维度，进而使网络中的参数和计算量减少的高模型容错性。池化层的表达式如下所示。1( ( ) )l l l lj j j jx f down x b ( )表示为下采样函数， 和b 分别表示乘性用的池化操作有两种，分别为均值池化(Meng)。均值池化就是将滤波器范围内的均值作器范围内的最大值作为池化输出，如图 2.1
此需要在最后一层卷积层后添加上采样层（upsampling layer）。上采样操作就是一个图像插值过程，在 FCN 中通过对特征图进行双线性插值来获得与输入图像大小一致的分割结果。在经过上采样之后，用softmax层对每一个像素进行分类，计算损失函数通过反向传播来更新网络参数。而为了得到更细化的分割结果，FCN 用了跳跃连接（skiparchitecture）将浅层的空间信息与深层的特征信息相结合,分别提出了 FCN-32s、FCN-16s 及 FCN-8s 三种上采样方式不同的网络架构。FCN-32s 就是在网络经过 5 次卷积池化，各层的输出图像分辨率依次缩小了 2，4，8，16，32 倍后，直接对最后一层输出特征图进行 32 倍的上采样操作，但是这样获得的分割结果极为粗糙。FCN-16s 是将最后一层的特征图与第四层池化层的进行融合，对融合后的特征图进行 16 倍的上采样操作。而 FCN-8s 是将最后一层得到的特征图、第四层池化层得到的特征图以及第三层得到的特征图融合到一起在进行 8 倍的上采样操作。结果表明 FCN-8s 的分割结果最优，FCN-16s的效果次之，FCN-32s 的分割效果最差。本研究用 FCN-8s 对 TTP 模态的急性缺血性脑卒中 MRI 切片图进行分割，网络架构如图 2.12 所示。
【参考文献】：
期刊论文
[1]深度学习理论综述[J]. 韩小虎,徐鹏,韩森森. 计算机时代. 2016(06)
博士论文
[1]基于神经网络技术的结构可靠性分析与优化设计[D]. 张雷.吉林大学 2004
硕士论文
[1]结合MRI多模态信息与3D-CNNS特征提取的脑肿瘤分割研究[D]. 罗蔓.南方医科大学 2015
本文编号：3074757
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3074757.html
