基于深度学习的肝脏及肝脏肿瘤分割和检测的研究

发布时间：2022-02-08 23:27

　　深度学习在医学影像上的应用越来越广泛,深度学习的主要应用为医学图像的分类、分割以及检测。本文详细介绍和总结了深度学习针对不同器官的相关应用并提出将深度学习应用于肝脏肿瘤分割,该方法主要基于深度学习中的分割与检测。结直肠癌肝转移（CRLM）的临床诊断治疗中最重要的步骤是对肝癌的评估。本文提出一种应用于CRLM的网络模型,可以自动完成病患腹部肝脏肿瘤的分割与检测的任务。该网络模型采用改进的级联网络辅助医师进行后续诊断和定量分析。改进的级联网络由U-Net和Mask R-CNN组成,分别用于肝脏肿瘤的分割与检测。步骤一,训练的U-Net模型作为级联网络的第一层用于分割肝脏器官作为感兴趣区域（ROI）;步骤二,针对ROI区域进行形态学活动轮廓的剪裁与提取;步骤三,训练第二个U-Net模型和Mask R-CNN模型作为级联网络的第二层分别完成ROI区域内肝脏肿瘤的精准分割和检测。通过大量实验证明,级联的U-Net模型的肝脏转移瘤分割的平均Dice系数约为74%,均值平均精度（mAP）为83%;对于Mask R-CNN模型的肿瘤实例分割的平均Dice系数为67%,mAP为88%。本文通过进一步的实... 

【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】：92 页

【学位级别】：硕士

【部分图文】：

深度学习网络模型发展历程

2深度学习的肝脏及肝脏肿瘤分割和检测8的肝脏肿瘤分割模型；通过检测网络(MASKR-CNN)完成肿瘤的实例分割，获取肿瘤的置信度以及获取更多的小肿瘤的位置信息。图2.1改进的级联网络流程图2.2级联网络模型随着深度学习的高速发展，越来越多的深度学习模式识别，图像分割算法被提出。但是不可避免的某一种算法具有一定的局限性以及针对不同任务的适用条件。级联网络顾名思义就是将多种神经网络连接在一起的结构模型。通过这种将网络级联在一起的方法，可以有效的将各种不同的神经网络结合在一起，取长补短，弥补个别网络的局限性，提高网络整体性能，并且完成不同的任务。级联神经网络的每一级网络结构，通常情况下由不同的特征提取模块以及不同的神经网络组成。特征提取模块就是从训练数据中提取表示图像共性目标的特征，神经网络通过对所有训练数据进行训练，提取共同的特征。不同的网络提取特征的能力不同，即使相同的网络不同的层数，不同的输入数据，不同的初始化

2深度学习的肝脏及肝脏肿瘤分割和检测10通过将卷积层代替全连接层便可以实现输入任意尺寸的图片，输出一副等大的图像，完成一个端到端的网络模型设计。图2.2U-Net网络模型(1)图2.2中U-Net网络模型左边一侧被称为收缩路径(contractingpath)，收缩路径主要由卷积层和池化层组成。池化层的池化方式选择最大池化。收缩路径用于获取上下文信息进行特征抽龋其中卷积层的目的完成特征的提取，池化层的目的是进行特征的压缩。

【参考文献】：
期刊论文
[1]Colorectal liver metastases:An update on multidisciplinary approach[J]. Felix Che-Lok Chow,Kenneth Siu-Ho Chok.  World Journal of Hepatology. 2019(02)



本文编号：3615952