基于深度全卷积神经网络的头颈部CT中放疗危及器官分割方法研究

发布时间：2021-10-14 21:40

　　目前放射治疗方法在头颈部肿瘤的治疗中得到了广泛的应用。放疗医师需要在CT上分割出受保护的危及器官来减少射线对健康组织的损伤。手工分割虽然较为精确,但依赖于经验且低效。目前出现了一些半自动分割和全自动分割的方法,但存在一定局限性。由于深度学习在图像分割领域取得了很大的成功,为头颈部CT中放疗危及器官的自动分割提供了新的解决方案,研究基于深度全卷积神经网络的自动分割方法具有一定的研究价值与实际意义。本文基于深圳医诺智能科技发展有限公司的放疗智能分割系统的建设需求,研究基于深度全卷积神经网络的头颈部CT中放疗危及器官的分割方法,并实现自动分割服务与管理子系统,为放疗医师提供方便和可靠的自动化分割工具。本论文主要内容包括以下几个方面:1.提出基于2D全卷积神经网络头颈器官分割优化方法:引入批量标准化层来解决数据分布不一致的问题;采用通道注意力机制来强化重要的特征;提出新的损失函数来解决类不平衡问题。2.提出基于2D和3D结合的全卷积神经网络头颈器官分割方法:提出一种新的网络结构,结合2D和3D操作来同时学习器官边缘特征和语义特征;提出新的3D高分辨率操作模块来避免多次池化造成小器官特征的丢失。... 

【文章来源】：中国科学院大学(中国科学院深圳先进技术研究院)广东省

【文章页数】：86 页

【学位级别】：硕士

【部分图文】：

LeNet的网络结构图

图 2.2 全连接层示意图资料来源：https://www.jianshu.com/p/88bb976ccbd9人眼在识别图像时，往往是从局部到全局，图像间局紧密，因此不需要神经网络中的每个节点都掌握全种机制，使得每一个输出节点只与前一层的一部分征。卷积层中定义了一系列滤波器，用于提取不同滤波器是共享的，因此跟全连接层相比大大降低了全连接层一样，也是可以学习的，如图 2.3 所示。

图 2.2 全连接层示意图资料来源：https://www.jianshu.com/p/88bb976ccbd9人眼在识别图像时，往往是从局部到全局，图像间局太紧密，因此不需要神经网络中的每个节点都掌握全局这种机制，使得每一个输出节点只与前一层的一部分节特征。卷积层中定义了一系列滤波器，用于提取不同的的滤波器是共享的，因此跟全连接层相比大大降低了参跟全连接层一样，也是可以学习的，如图 2.3 所示。

【参考文献】：
期刊论文
[1]基于数据增强的卷积神经网络图像识别研究[J]. 高友文,周本君,胡晓飞.  计算机技术与发展. 2018(08)
[2]利用深度反卷积神经网络自动勾画放疗危及器官[J]. 门阔,戴建荣.  中国医学物理学杂志. 2018(03)
[3]结合全局与局部池化的深度哈希人脸识别算法[J]. 曾燕,陈岳林,蔡晓东.  西安电子科技大学学报. 2018(05)
[4]基于卷积神经网络的随机梯度下降算法[J]. 王功鹏,段萌,牛常勇.  计算机工程与设计. 2018(02)
[5]ReLU激活函数优化研究[J]. 蒋昂波,王维维.  传感器与微系统. 2018(02)
[6]深度卷积神经网络在图像识别算法中的研究与实现[J]. 韩星烁,林伟.  微型机与应用. 2017(21)
[7]卷积神经网络概述[J]. 侯宇昆.  中国新通信. 2017(09)
[8]深度神经网络的发展现状[J]. 胡聪丛,胡桓.  电子技术与软件工程. 2017(04)
[9]基于活动轮廓模型的图像分割算法综述[J]. 段丁娜,张欢,邱陈辉,夏顺仁.  中国生物医学工程学报. 2015(04)
[10]Python最新Web编程框架Flask研究[J]. 叶锋.  电脑编程技巧与维护. 2015(15)

硕士论文
[1]基于ActiveMQ的消息中间件的设计与实现[D]. 汪然.西安电子科技大学 2013
[2]关于朴素贝叶斯分类算法的改进[D]. 李方.重庆大学 2009



本文编号：3436859