基于全卷积网络的乳腺超声图像语义分割方法
发布时间：2021-10-15 02:32
乳腺癌已经成为了女性致死率最高的癌症之一,每年上百万的女性遭受乳腺癌的折磨。如果能够在早期发现乳腺癌并接受有效治疗,患者存活率将显著提升。目前癌症检查的措施有多种,但是乳腺超声检测技术凭借其低成本和高性价比的特点,逐渐被广泛采纳。伴随着计算机技术的发展,计算机辅助诊断（CAD）成为了辅助医生诊断的重要方法,在提升医生诊断准确性和客观性,避免误诊和提高效率方面起到了重要作用。目前的乳腺超声CAD系统主要是通过处理乳腺超声图像,分割出乳腺中的肿瘤部位,主要分为半自动和全自动分割两种。目前常用的方法大多数是半自动的,这种方法通过人工选定种子点或者标注感兴趣区域的方式完成分割,在大批量数据情况下势必会增加医生负担和误诊率,很难实现大规模推广。全自动分割方法几乎不需要人工参与,但是在分割过程中仅仅分割出单一的肿瘤区域,忽略其他乳腺组织对医生诊断的帮助。在医生实际诊断过程中,除了肿瘤的位置、纹理和形状是主要参照目标外,乳腺中的皮肤层、脂肪层、腺体层和肌肉层也会作为辅助参照目标。因此,目前的全自动分割方法,没有全局性地考虑到其他组织对于医生诊断的影响,分割能力有限。针对上述问题,本文结合卷积神经网络...
【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校
【文章页数】：64 页
【学位级别】：硕士
【部分图文】：
Sigmoid、Tanh和Relu函数
网络结构的不断优化，另一方面在于硬件计算能力的极大提升，这得益于显卡中上千内核并行化的计算方式。在 1962 年，生物视觉认知的机制被 Hubel 等人发现，并提出了感受野的概念。Kunihiko Fukushima 等人受此启发在 1980 年提出了认知机（neocognitron）[44]。认知机将图像的视觉特征分解成若干子特征，这些子特征在网络结构上逐层处理，试图使认知机能够在图像中物体发生位移和形变的情况下也能够正确识别，后期该模型被应用到手写数字的识别当中，该模型被认为是卷积网络的前身，是感受野在深度学习领域的第一次应用。1998 年，Yann LeCun 等人综合自身的研究成果，提出了 LetNet-5 网络模型[45]，模型结构如图 2-3 所示。该网络结构使用卷积核作为感受野，通过卷积的方式提取空间特征，并使用 Sigmoid 函数完成非线性变换，选择多层神经网络作为最终分类器。LetNet-5 模型层层之间连接采用稀疏矩阵连接，缩小了计算成本，在没有 GPU 参与情况下，在手写体识别领域取得较好的结果。LetNet-5对于卷积神经网络最大的贡献在于其确定了现代卷积网络的基本结构和组成，为后续这方面的研究奠定了基础。
图 2-5 最大值池化和均值池化工作原理图全连接层主要完成分类工作，本质上就是一个多层神经网络。通过全卷积核池化后的特征被映射到训练样本所在的标记空间，从而完成目全卷积神经网络 图像语义分割概述图像语义分割[50]就是根据图像中的语义内容去分割图像，对图像中素做分类。语义分割和常规的分割有巨大的不同，后者只要分割出好，而且前者在分割的同时还需要给分割结果加上语义理解，所谓的就是指出分割出来的目标是什么。图 2-6 中的语义是乳腺在超声图存在，左图为原图，右图为语义识别结果，对于乳腺超声图像的表出所有的乳腺组织，为方便显示，分割结果中的不同组织被用不同的。本文研究的主要目的就是通过卷积网络实现乳腺超声图像的语义分
【参考文献】：
期刊论文
[1]2017年中国最新癌症数据[J]. 中国肿瘤临床与康复. 2017(06)
[2]Incidence,mortality and survival of female breast cancer during 2003-2011 in Jiangsu province,China[J]. Xinran Yan,Renqiang Han,Jinyi Zhou,Hao Yu,Jie Yang,Ming Wu. Chinese Journal of Cancer Research. 2016(03)
[3]基于改进的区域生长与GVF snake的超声图像分割[J]. 刘丹,杨艳,孙尽尧. 科技通报. 2016(04)
[4]复杂水体边界提取的改进正交T-Snake模型[J]. 孟令奎,吕琪菲. 测绘学报. 2015(06)
[5]Latest advances of X-ray imaging and biomedical applications beamline at SSRF[J]. 谢红兰,邓彪,杜国浩,付亚楠,陈荣昌,周光照,任玉琦,王玉丹,薛艳玲,彭冠云,和友,郭瀚,肖体乔. Nuclear Science and Techniques. 2015(02)
[6]动态增强MRI、超声及X射线对乳腺良恶性病灶诊断的对比研究[J]. 袁红梅,余建群,褚志刚,彭礼清. 中国普外基础与临床杂志. 2015(02)
[7]Magnetic resonance imaging in breast cancer:A literature review and future perspectives[J]. Gisela LG Menezes,Floor M Knuttel,Bertine L Stehouwer,Ruud M Pijnappel,Maurice AAJ van den Bosch. World Journal of Clinical Oncology. 2014(02)
[8]超声乳腺肿瘤的全自动SVM检测与水平集分割算法[J]. 徐静,高鑫. 计算机辅助设计与图形学学报. 2012(05)
[9]基于区域生长法的超声图像分割[J]. 刘自德,冯成德,黄秀娟. 影像技术. 2007(03)
博士论文
[1]图像特征提取方法及其应用研究[D]. 刘淑琴.西北大学 2016
[2]图像阈值分割关键技术研究[D]. 龙建武.吉林大学 2014
硕士论文
[1]基于显著性检测的乳腺超声图像鲁棒分割方法[D]. 李俊峥.哈尔滨工业大学 2017
本文编号：3437269
【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校
【文章页数】：64 页
【学位级别】：硕士
【部分图文】：
Sigmoid、Tanh和Relu函数
网络结构的不断优化，另一方面在于硬件计算能力的极大提升，这得益于显卡中上千内核并行化的计算方式。在 1962 年，生物视觉认知的机制被 Hubel 等人发现，并提出了感受野的概念。Kunihiko Fukushima 等人受此启发在 1980 年提出了认知机（neocognitron）[44]。认知机将图像的视觉特征分解成若干子特征，这些子特征在网络结构上逐层处理，试图使认知机能够在图像中物体发生位移和形变的情况下也能够正确识别，后期该模型被应用到手写数字的识别当中，该模型被认为是卷积网络的前身，是感受野在深度学习领域的第一次应用。1998 年，Yann LeCun 等人综合自身的研究成果，提出了 LetNet-5 网络模型[45]，模型结构如图 2-3 所示。该网络结构使用卷积核作为感受野，通过卷积的方式提取空间特征，并使用 Sigmoid 函数完成非线性变换，选择多层神经网络作为最终分类器。LetNet-5 模型层层之间连接采用稀疏矩阵连接，缩小了计算成本，在没有 GPU 参与情况下，在手写体识别领域取得较好的结果。LetNet-5对于卷积神经网络最大的贡献在于其确定了现代卷积网络的基本结构和组成，为后续这方面的研究奠定了基础。
图 2-5 最大值池化和均值池化工作原理图全连接层主要完成分类工作，本质上就是一个多层神经网络。通过全卷积核池化后的特征被映射到训练样本所在的标记空间，从而完成目全卷积神经网络 图像语义分割概述图像语义分割[50]就是根据图像中的语义内容去分割图像，对图像中素做分类。语义分割和常规的分割有巨大的不同，后者只要分割出好，而且前者在分割的同时还需要给分割结果加上语义理解，所谓的就是指出分割出来的目标是什么。图 2-6 中的语义是乳腺在超声图存在，左图为原图，右图为语义识别结果，对于乳腺超声图像的表出所有的乳腺组织，为方便显示，分割结果中的不同组织被用不同的。本文研究的主要目的就是通过卷积网络实现乳腺超声图像的语义分
【参考文献】：
期刊论文
[1]2017年中国最新癌症数据[J]. 中国肿瘤临床与康复. 2017(06)
[2]Incidence,mortality and survival of female breast cancer during 2003-2011 in Jiangsu province,China[J]. Xinran Yan,Renqiang Han,Jinyi Zhou,Hao Yu,Jie Yang,Ming Wu. Chinese Journal of Cancer Research. 2016(03)
[3]基于改进的区域生长与GVF snake的超声图像分割[J]. 刘丹,杨艳,孙尽尧. 科技通报. 2016(04)
[4]复杂水体边界提取的改进正交T-Snake模型[J]. 孟令奎,吕琪菲. 测绘学报. 2015(06)
[5]Latest advances of X-ray imaging and biomedical applications beamline at SSRF[J]. 谢红兰,邓彪,杜国浩,付亚楠,陈荣昌,周光照,任玉琦,王玉丹,薛艳玲,彭冠云,和友,郭瀚,肖体乔. Nuclear Science and Techniques. 2015(02)
[6]动态增强MRI、超声及X射线对乳腺良恶性病灶诊断的对比研究[J]. 袁红梅,余建群,褚志刚,彭礼清. 中国普外基础与临床杂志. 2015(02)
[7]Magnetic resonance imaging in breast cancer:A literature review and future perspectives[J]. Gisela LG Menezes,Floor M Knuttel,Bertine L Stehouwer,Ruud M Pijnappel,Maurice AAJ van den Bosch. World Journal of Clinical Oncology. 2014(02)
[8]超声乳腺肿瘤的全自动SVM检测与水平集分割算法[J]. 徐静,高鑫. 计算机辅助设计与图形学学报. 2012(05)
[9]基于区域生长法的超声图像分割[J]. 刘自德,冯成德,黄秀娟. 影像技术. 2007(03)
博士论文
[1]图像特征提取方法及其应用研究[D]. 刘淑琴.西北大学 2016
[2]图像阈值分割关键技术研究[D]. 龙建武.吉林大学 2014
硕士论文
[1]基于显著性检测的乳腺超声图像鲁棒分割方法[D]. 李俊峥.哈尔滨工业大学 2017
本文编号：3437269
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3437269.html
