腹部图像分割与增强的自步深度学习研究

发布时间：2020-03-23 09:45

【摘要】：医学影像分析是疾病诊断和治疗中最基本、最重要的步骤,随着计算机技术的不断更新发展,使用图像处理和机器学习的方法进行医学影像分析成为新的发展方向。医学图像数据量小,人体间差异性大,对使用传统的机器学习方法和深度学习方法进行医学影像分析提出了更高的要求。胰腺癌作为恶性程度最高的癌症之一,精准地分割病人的胰腺图像有助于医生的诊断和治疗,本文针对小样本的胰腺数据分别使用传统的机器学习以及目前热门的深度学习进行图像分割,提出了适用于不同模态的胰腺图像分割方法。此外,随着对医疗设备辐射方面的关注度越来越高,低辐射的医学影像将广泛使用,针对低辐射医学影像成像质量差,本文采用深度学习方法探讨降质医学影像的图像增强,提出了适用于降质医学影像增强的深度学习方法,为进一步的医学影像分析,如分割、配准等提供帮助。本文主要完成了以下三个工作:1.针对三维磁共振胰腺图像中胰腺体积小且与周围组织粘连严重难以准确分割问题,提出了基于水平集和自步支持向量机结合的序贯分割模型。首先,通过人机交互勾画第一张磁共振胰腺序列图像中胰腺的大致轮廓,利用水平集方法自动演化出序列的粗分割结果。然后,利用训练好的自步支持向量机对粗分割结果进一步分割。最后,利用形态学方法进行后处理得到最终结果。针对自步支持向量机,使用自步学习的思想改进支持向量机,在训练过程中先学习简单样本然后逐渐加入复杂样本,我们融合灰度共生矩阵特征、灰度梯度共生矩阵特征和三维灰度梯度共生矩阵特征构造了自步支持向量机的输入。实验结果表明,该分割方法提高了胰腺分割精度,达到一定的去粘连效果。2.针对PET/MRI中磁共振二维成像导致胰腺图像质量差,对比度低,难以分割问题,提出了基于迁移学习和多尺度卷积的分割模型。首先,使用PET数据构造了编码器-解码器结构的U-Net分割网络。然后基于MRI数据构造了双编码器-单解码器结构的U-Net分割网络,对于其中一个编码器,由PET分割模型中编码器迁移得到,使得模型可以关注感兴趣区域进行特征提取;对于另一个解码器,构造了多尺度卷积模块提升模型的特征表达能力;在解码器部分采用插值上采样和反卷积融合的方式进行特征映射输出MRI分割结果。实验结果表明,基于迁移学习的思想可以更好地定位胰腺,多尺度卷积以及融合的上采样方式提高了分割精度。3.针对降质医学图像兆伏CT噪声大、分辨率低等问题,提出了基于重建损失约束的生成对抗网络提升图像质量。本方法利用生成对抗方式学习低质量的兆伏CT和高质量的千伏CT之间的映射关系提高兆伏CT图像质量。通过构造兆伏CT和千伏CT双输入的生成器,使用cycle consistency loss解决了数据非配对问题,在生成器重构部分引入重建损失提高了图像生成质量,并引入梯度项对生成图像轮廓进行约束。在真实的临床兆伏CT数据上表明,我们的方法在视觉效果和指标上都表现优异。
【图文】：

图层,病人,胰腺,图像

（a）（b）（c）（d）图3.2 某一病人连续四个图层图像3.3.3 算法流程（1）算法训练流程自步支持向量机用于三维磁共振胰腺图像分割训练流程如图 3.3 所示:训练图像灰度共生矩阵二维灰度梯度共生矩阵特征三维灰度梯度共生矩阵特征训练自步支持向量机模型构造特征向量提取特征图3.3 自步支持向量机训练流程自步支持向量机详细训练流程如下：（I）训练样本选取自步支持向量机主要关注胰腺边缘黏连部分，选取胰腺边缘部分作为训练集可以使模型学习胰腺边缘区域的特征，进一步提高胰腺分割进度，，所以本章舍弃将整个图像序列中所有胰腺图像构造训练样本的传统做法，选取胰腺与周围器官连接部分构造

示意图,训练样本,示意图,灰度梯度共生矩阵

其中红色标注部分即为本章选取的训练样本。（a）（b）图3.4 训练样本选取示意图（II）特征提取对每一个像素点，按照 6 维灰度共生矩阵特征，15 维二维灰度梯度共生矩阵特征，15 维三维灰度梯度共生矩阵特征，该像素点为中心的5 5块内像素点灰度值的顺序构造 61 维特征用来描述每一个像素点，其权重皆为 1，输入到自步 SVM 中进行训练。（III）训练 SVM构造训练样本集，并按照 3.3.1 小节中的步骤求解自步支持向量机模型的参数
【学位授予单位】：西安电子科技大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：R445;TP391.41;TP18

【相似文献】