基于全卷积神经网络的MR脑肿瘤图像分割算法研究

发布时间：2021-11-09 03:15

　　恶性脑肿瘤（俗称脑癌）是世界上最可怕的癌症类型之一,通常会使患者的认知功能下降、生活质量变差。由于核磁共振成像技术的优越性与无创性,通过跟踪患者的肿瘤变化情况,可为不同患者提供个性化治疗方案,从而使得基于MR图像的脑肿瘤分割成为国内外研究的热点问题。但因脑肿瘤可出现在大脑的任何位置且大小不定、形状不规则,人工分割耗时又费力,且主观性大,基于传统机器学习的图像分割算法又很难同时兼顾分割的精确度与全自动性,可见脑肿瘤分割仍是一项具有挑战性的任务。目前随着人工智能和深度学习新技术的崛起,基于卷积神经网络的方法得到广泛应用,故本文以多模态MR脑肿瘤图像为基础,以深度学习方法为技术手段,对脑肿瘤图像分割问题进行以下研究:1、针对现有机器学习算法分割脑肿瘤图像精度不高的问题,提出一种基于改进的全卷积神经网络的脑肿瘤图像分割算法。该算法首先将FLAIR、T2和T1C三种模态的MR脑肿瘤图像进行灰度归一化,随后利用灰度图像融合技术得到脑肿瘤信息更加全面的预处理图像;然后采用融合三次脑肿瘤特征信息的全卷积神经网络对预处理图像进行粗分割,并融入批量正则化层以加快网络收敛速度,提高模型精度;最后融合全连接条... 

【文章来源】：天津大学天津市 211工程院校 985工程院校 教育部直属院校

【文章页数】：80 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
缩略表
符号表
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 手动分割
        1.2.2 半自动分割
        1.2.3 全自动分割
        1.2.4 卷积神经网络方法
    1.3 待解决问题
    1.4 论文主要研究工作
    1.5 论文结构组织安排
第2章 卷积神经网络概述
    2.1 卷积神经网络
        2.1.1 卷积神经网络结构
        2.1.2 卷积神经网络的损失函数
        2.1.3 卷积神经网络的优化算法
        2.1.4 卷积神经网络的正则化算法
    2.2 深度学习训练框架
    2.3 卷积神经网络在脑肿瘤图像分割中的应用
    2.4 本章小结
第3章 改进的全卷积神经网络的MR脑肿瘤图像分割算法
    3.1 网络基础结构
        3.1.1 全卷积神经网络
        3.1.2 条件随机场
    3.2 分割算法框架
        3.2.1 实验数据和分割评价标准
        3.2.2 图像预处理
        3.2.3 算法的模型结构
    3.3 实验参数的选取与模型的训练
    3.4 实验结果与分析
        3.4.1 融合模态与单模态图像分割结果的比较
        3.4.2 不同算法下分割结果的对比与讨论
    3.5 本章小结
第4章 基于残差结构的3D U-Net脑肿瘤图像分割算法
    4.1 网络基础结构
        4.1.1 三维全卷积神经网络
        4.1.2 深度残差结构
    4.2 分割算法框架
        4.2.1 图像预处理
        4.2.2 算法的模型结构
        4.2.3 损失函数的选择
    4.3 实验结果与分析
        4.3.1 不同损失函数下的分割结果比较
        4.3.2 不同网络结构下的分割结果比较
    4.4 本章小结
第5章 总结与展望
    5.1 本文工作总结
    5.2 未来工作展望
参考文献
发表论文和参加科研情况说明
致谢



本文编号：3484512