基于深度学习的医学图像分割方法研究

发布时间：2020-04-09 23:17

【摘要】：随着医学图像在医疗卫生领域的普遍应用,医学图像分割在病理分析、临床诊断和医学研究等领域扮演着重要角色。近几年,卷积神经网络特征提取能力的不断挖掘,越来越多的深度学习技术被用于医学图像分割任务,也取得了相比于传统分割方法更好的结果。全卷积神经网络(Fully Convolutional Network,FCN)是一种广泛应用于图像分割的深度学习技术,但是由于医学图像中分割目标的大小、形状变化复杂,正负样本分布不平衡等问题,FCN在一些医学图像分割中并未达到很好的预期效果。为了获得更加精确的分割结果,本文提出了两种基于全卷积神经网络的改进方法。这些方法对分割目标的形态变化有较好的鲁棒性,提高了分割准确度。本文的主要工作如下:1.受DenseNet和U-Net等神经网络的启发,本文提出了一种基于全卷积DenseNet网络结构的医学图像分割方法。该方法将目前分类性能较好的DenseNet从自然图像迁移到医学图像数据集,以提高网络特征提取能力和训练速度;并且采用反卷积和类似U-Net的连接方式,在恢复分辨率的同时融合细节信息,从而实现端到端的图像分割网络;引入并改进Dice相似性损失函数,以解决医学图像中背景区域远远大于目标区域导致的模型训练困难问题。在前列腺分割数据集上进行实验,相较于目前的主要方法,该方法分割效果更好,所耗时间更短。2.本文提出一种具有可变形编码器和重构上采样解码器的U-Net医学图像分割方法。该方法使用并改进可变形卷积提高网络学习几何形变的能力,并提出更有效的上采样方法——重构上采样卷积(Reshape Upsampling Convolution,RUC)。该分割方法将集中性损失函数(Focal Loss)应用到医学图像分割任务中,解决了样本分布不均和简单样本过多导致的模型偏移问题。所提出的方法不仅大大降低了网络的参数数量,并且在果蝇细胞数据集和Warwick-QU腺体数据集上取得了较好的分割效果。
【图文】：

效果图,数据增强,效果图,标签图

微镜下的细胞图像为例，图 2.1 展示了对原始图像和标签进行翻转剪裁的效果图，标签图中白色表示细胞，黑色表示细胞膜。从图据增强可以大大提高图像的多样性，扩大数据集。在数据增强的到双线性插值，标签图会产生小数，这与标签必须是整数相违背的标签图进行二值化操作。的数据增强方法外，在医学图像中也常常用到随机弹性扭曲来扩先，将原始图像分成 l×l 的网格，再对每个非图像边缘的网格点选，选取方式往往是从标准差为 m 像素的高斯分布中随机抽取。根格点进行位移，并对其它位置的像素采用插值法计算其值，最后的新图像。由于插值的方法往往选择双线性插值，弹性扭曲后的小数值，需要对增强后的标签图进行取整。

示意图,网络结构,示意图,卷积

图 2.3 LeNet-5 网络结构示意图卷积神经网络包含了卷积层(Convolutional Layer)、激活函数、池化层(PoolingLayer)和全连接层(Full Connection Layer)。如图 2.3 所示，卷积层和池化层交替设置进行特征提取，在网络最后采用全连接层整合提取的特征并输出类别概率。在基于深度卷积神经网络的图像分割方法中，采用的就是这种分类网络。在基于全卷积神经网络的图像分割方法中，全连接层被舍弃，通常采用反卷积层(Deconvolutional Layer)等上采样方法进行分辨率恢复，直接输出分割概率图。2.2.1 卷积层卷积层包含了多个特征图(Feature Map),特征图中的每个元素（又称为神经元）通过卷积核与前一层的局部区域连接（如图 2.3 所示），这有益于提取到一些有意义的局部特征，比如边缘特征[36]。卷积核是一个权值矩阵，，在同一个特征图中所
【学位授予单位】：重庆邮电大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：R445;TP391.41;TP18

【相似文献】