基于ResDense U-Net的医学图像分割

发布时间：2021-05-24 09:14

　　近年来,随着深度学习的迅速发展,医学图像分割技术取得了重大突破。在这方面,U-Net一直是医学影像界最流行的架构。U-Net是一种端对端的对称模型,在分割多模态医学图像方面表现了卓越的性能,为医生诊断和治疗病人提供了方便。但通过对医学数据集进行的多次实验,发现传统的U-Net在某些方面有不足的地方。因此本论文提出了一种新的深度学习模型来改进经典U-Net,本模型是基于DenseNet、ResNet的思想和U-Net的网络结构,故称它为ResDense UNet。并在皮肤病变的数据集和光学细胞的数据集上进行了多次测试与比较。ResDense U-net与经典U-Net相比,性能分别提升了3.07%、1.38%。虽然模型结构没有变化很大,但是在性能提升上较为明显,同时在成像的细节方面也比UNet更为完善。本文创新点如下:第一,基于ResNet和DenseNet的思想,将原U-Net中的连续双层卷积替换为ResDense-block,来缓解梯度消失和加强特征重用。考虑到U-Net原有的通道数逐级倍增,对ResDense-block中的输出通道做了些许调整,减少了参数,防止过拟合。第二,将所有... 

【文章来源】：吉林大学吉林省 211工程院校 985工程院校 教育部直属院校

【文章页数】：44 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 选题背景
    1.2 研究意义
    1.3 本论文的主要内容
第2章 卷积神经网络的基础理论
    2.1 卷积与池化
    2.2 损失函数
    2.3 上采样
    2.4 欠拟合与过拟合
    2.5 dropout
    2.6 优化算法
第3章 基础网络
    3.1 ResNet
    3.2 DenseNet
    3.3 U-Net
第4章 归一化
    4.1 批归一化
    4.2 组归一化
第5章 ResDense U-Net网络结构
    5.1 ResDense-block
    5.2 非对称卷积块
    5.3 Res连接
第6章 实验过程和结果
    6.1 训练过程
    6.2 实验结果
    6.3 后处理
第7章 总结与展望
    7.1 总结
    7.2 展望
参考文献
致谢



本文编号：3203956