基于半监督对抗学习的左右心室自动分割算法研究

发布时间：2021-11-08 07:35

　　心脏核磁共振成像诊断是一种重要的心脏疾病诊断方法,通过研究心脏的核磁共振影像可以获得一系列的心脏性能指标和疾病类型。其中一项重要的检测方法是对影像中的心室进行精确分割。在临床中需要经验丰富的医生手动进行分割,这种手动分割的方法比较费时间。如今基于深度学习的图像分割算法在实践中发挥了巨大的作用,取得了较好的分割效果。但是心脏的左右心室分割和自然图像分割相比存在一些显著的困难,一方面用于深度学习网络训练的医学图像分割的数量较少,难以获取,另一方面左右心室图像和自然图像相比存在分辨率较低,图像不清晰等特点,并且心室的图像边缘比较模糊,心室收缩时的所占区域比较小,给深度学习网络的训练带来了一定的困难。针对可用于训练的左右心室图像较少和心室区域比较小的问题,本文提出了基于对抗学习的左心室和右心室的半监督分割算法。该半监督对抗学习算法基于生成对抗网络（GAN）,将生成网络替换为适合左右心室区域分割的分割网络,并将鉴别网络替换为可以生成置信图的全卷积网络。生成网络和鉴别网络可以在训练过程中相互对抗,相互学习,共同提高分割能力和鉴别能力。在网络初始训练时只使用有标签的图像,当网络具有一定的分割能力和鉴... 

【文章来源】：深圳大学广东省

【文章页数】：76 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第1章 绪论
    1.1 研究背景与意义
    1.2 国内外研究现状
        1.2.1 基于传统方法的左右心室结构分割现状
        1.2.2 基于深度学习的左右心室结构分割现状
    1.3 本文主要研究内容与创新点
    1.4 本文的组织结构
第2章 半监督对抗学习和心脏MRI图像分割
    2.1 心脏核磁共振图像
        2.1.1 核磁共振成像原理
        2.1.2 心脏核磁共振图像介绍
    2.2 基于心脏MRI的心室结构分割方法
        2.2.1 神经网络结构
        2.2.2 半监督学习
        2.2.3 生成对抗网络
    2.3 基于分割心脏MRI的功能评估
        2.3.1 静态功能评估
        2.3.2 动态功能评估
    2.4 本章小结
第3章 基于深度卷积对抗生成网络的半监督左右心室分割算法
    3.1 半监督对抗网络模型
        3.1.1 半监督模型框架结构
        3.1.2 模型分割网络结构
        3.1.3 多尺度扩张网络结构
        3.1.4 模型鉴别网络结构
        3.1.5 模型损失函数设置
        3.1.6 半监督对抗训练过程
    3.2 心脏图像数据预处理与扩充
    3.3 实验结果与分析
        3.3.1 评价指标
        3.3.2 实验结果
        3.3.3 与其他方法的结果对比
        3.3.4 结果讨论与分析
    3.4 本章小结
第4章 基于循环对抗生成网络的半监督左右心室分割算法
    4.1 循环生成对抗网络半监督分割模型
        4.1.1 模型框架
        4.1.2 生成网络和鉴别网络
        4.1.3 模型损失函数设置
    4.2 训练方法
        4.2.1 模型优化方法
        4.2.2 模型超参数设置
        4.2.3 半监督训练过程
    4.3 可视化实验结果与分析
        4.3.1 可视化实验结果
        4.3.2 试验结果统计分析与比较
        4.3.3 局限性分析
    4.4 本章小结
第5章 总结与展望
    5.1 总结
    5.2 展望
参考文献
指导教师对研究生学位论文的学术评语
答辩委员会决议书
致谢
攻读硕士学位期间的研究成果


【参考文献】：
期刊论文
[1]《中国心血管病报告2018》概要[J]. 胡盛寿,高润霖,刘力生,朱曼璐,王文,王拥军,吴兆苏,李惠君,顾东风,杨跃进,郑哲,陈伟伟.  中国循环杂志. 2019(03)



本文编号：3483289