基于深度学习的心脏MRI双心室自动分割与心脏病分类

发布时间：2021-04-09 06:43

　　心脏MRI是评估心血管系统功能和结构常用的手段,心脏分割是计算心脏临床指标（射血分数、左右心室体积、每搏量等）的重要一步。目前,医生需要对每个患者的每张切片进行手动分割,但是手动分割既费时又是简单重复的体力劳动,且依赖于医生的经验。由于心脏的形状各异,病理特征千差万别,基于传统图像分割方法如像素分类、随机树等方法分割准确度低且适用范围有限;现有的基于深度学习的方法大多数只分割的是左心室或右心室,而同时分割左右心室的方法分割精度还有待提高。因此心脏MRI分割仍然是医学图像处理领域的研究难点和重点。本文所用的数据库为MICCAI 2017的ACDC数据库,一共包括150个病例,按病理分为五类,分别是扩张型心肌病、肥厚型心肌病、伴有梗塞心力衰竭、右心室异常以及正常人。在本文工作中,首先提出了基于YOLO的心脏目标检测网络,并根据MRI不同切片之间的连续性对边界框进行校正;其次,提出了一种基于全卷积网络（Fully Convolutional Network,FCN）的心脏MRI双心室自动分割方法,同时对左心室腔、左心室心肌、右心室进行分割,全卷积网络可以充分利用医学图像像素间空间和结构信息,... 

【文章来源】：西安电子科技大学陕西省 211工程院校 教育部直属院校

【文章页数】：82 页

【学位级别】：硕士

【部分图文】：

卷积过程

在逐像素预测比如图像分割[71]以及图像生成寸空间的预测，而卷积池化之后图像尺寸变样从而还原到原始图像尺寸。函数数有 Sigmoid、线性整流函数（Rectified Linea函数等，激活函数及其优缺点总结如下。 函数图 2.7 所示，函数曲线是“S”型，公式定义函数连续可求导，且在每一个点都有一个非负1( )1xf xe f ( x ) f ( x )(1 f ( x))

且处处可导。点：过饱和导致梯度消失问题。如图 2.7 所示，当 x 的函数值几乎接近 0 或 1，其导数几乎为 0。在反向参数进行调优。函数的输出不是以 0 为中心。 Hahnloser[5]引入神经网络中，随后其解释了 ReL数学证明。ReLU 的公式定义如(2-6)，导数公式f ( x ) x max(0, x) 1 0( )0xf xotherwise

【参考文献】：
期刊论文
[1]基于深度学习的疾病诊断[J]. 陆家发,张国明,陈安琪.  医学信息学杂志. 2017(04)



本文编号：3127125