基于超体素与全卷积神经网络的大脑磁共振图像分割的研究
发布时间：2020-07-30 16:58
【摘要】：大脑是人体最重要的器官之一,它的健康问题一直是人们关注的重点。随着医学成像技术的发展,磁共振成像技术(Magnetic Resonance Imaging,MRI)已经成为诊断大脑状况的一个重要手段。大脑图像的分割在临床医学中对疾病诊断、病灶组织的定位以及疾病的治疗方案等具有重要的指导意义,但是手动分割大脑核磁共振图像是一个非常耗时且繁琐的任务。自动、准确地分割大脑MRI图像已经成为医学辅助诊断与治疗的重要话题。卷积神经网络(Convolutional Neural Network,CNN)是深度学习领域的一个重要组成部分,它通过优化算法不断优化从数据集中学习到的数据分布,然后将该分布应用于目标数据来完成特定任务,然而传统的CNN并不能直接应用于图像的分割任务。全卷积神经网络(Fully Convolutional Network,FCN)实现了端到端的分类,即直接分割功能。但是FCN这类端到端的卷积神经网络模型也无法避免在下采样等网络传递过程中细节特征的丢失,在上采样时这些细节信息难以恢复。大脑组织纹理复杂,各组织分布分散,细节较多,卷积神经网络中细节信息的丢失会影响大脑组织的细节分割。为了克服全卷积神经网络在处理MRI图像分割问题上的不足,本文设计了一种融合超体素与卷积神经网络的三维脑MRI图像分割算法。经典的Inception模块能通过四个并行分支提供更为稠密的特征信息,这能有效弥补FCN中过多细节信息丢失的问题,所以本文将Inception模块引入到了FCN中。另外,由于超体素具有边界贴合与同质性等特点,能十分方便快速地提供边界、细节信息,因此在三维空间上将超体素提供的细节信息与卷积神经网络学习到的局部、全局特征进行融合,实现脑MRI图像的有效分割。为了评估本文提出的脑MRI图像的分割算法的性能,本文选择了通用的IBSR18和BrainWeb20数据集进行实验,并考察了超体素个数与算法中参数对算法性能的影响。算法性能的评估采用了Dice、Mean IU、AVD和Hausdorff距离四个指标。大量的实验证明,该算法可以将脑MRI图像有效地分割成脑脊液、灰质和白质和背景四个部分,相较于经典算法有显著优势。
【学位授予单位】：东南大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：R445.2;TP391.41;TP183
【图文】：
种基于块的卷积神经网络方法对脑 MRI 图像进行分割，该方法首先将图像中的像素点分到具有一些公共像素点的块中，然后将这些块作为训练集进行训练[37]。Dolz 等人提出了一种基于半密集完全卷积的三维 CNN 架构用于分割婴儿大脑组织[38]。虽然目前脑 MRI 图像的分割方法已有许多，但是还有很多学者在不断探索，不断提出新的研究思想和分割算法。目前已有的方法各有利弊，对于特定的图像都有较好的分割效果。脑 MRI 图像的自动分割仍然是一个研究的重点。1.3论文研究内容及意义磁共振图像具有高对比度、高分辨率以及多角度等特点，其对于大脑的分析比较有效。目前，脑 MRI 图像已经广泛应用于大脑的疾病诊断和治疗、认知科学研究等，本文研究的图像为大脑 MRI 图像。脑组织的分割是临床上分析病灶组织、诊断疾病、制定治疗方案的重要基础。大脑组织包括脑脊液、灰质和白质等部分，本文的目的是实现对大脑组织有效的自动分割。但是脑 MRI 图像本身会受噪声、灰度不均等影响，而且大脑的组织结构纹理较为复杂，白质、灰质及脑脊液组织分布分散，这些使得自动准确的分割脑 MRI 图像仍较为困难。图 1-1 展示了一个脑 MRI 图像的三个剖面。
卷积神经网络是深度学习中的一个重要组成部分。20 世纪 90 年代，LeCun[44]等了 CNN 的现代结构，设计了 LeNet-5 网络模型。CNN 能够从原始图像获得有效直接有效从原始像素中学习到图像分布。然而，当时计算机的计算能力有限，以大规模的训练数据，使得 LeNet-5 对于复杂问题的处理结果并不理想。直到 20Hinton 提出了深度学习，并首次成功应用于分类 ImageNet 数据集，从而使得深神经网络取得了突破性的进展。近年来，深度学习卷积神经网络在图像处理和模等领域都取得了较好的成果。2015 年 Long[45]等人提出全卷积神经网络模型应用分割，开辟了图像分割领域的新方向。卷积神经网络结构中一般包含一些基本层积层、激活层、池化层等。卷积神经网络基本组成1 卷积层传统的全连接网络中，每个节点会连接上一层的所有节点，这种方式会导致参数模型训练困难，另外容易产生过拟合现象。而卷积神经网络中，卷积层实现的是接，这能有效降低模型的参数量。如图 2-1 所示，左侧为局部连接，右侧为全连接
第二章 卷积神经网络理论 )/ + 1， = 。图 2-2 展示了图像大小为 4×4，卷积核大小为 0时的卷积过程。通过卷积核尺寸、步长 和零填充 可以控制卷积例如卷积核大小设为 3， 设为 1，步长设为 1，则特征图像经过卷不变。如果卷积核大小设为 2， 设为 0，步长设为 2，则特征图像现降采样的效果。
本文编号：2775827
【学位授予单位】：东南大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：R445.2;TP391.41;TP183
【图文】：
种基于块的卷积神经网络方法对脑 MRI 图像进行分割，该方法首先将图像中的像素点分到具有一些公共像素点的块中，然后将这些块作为训练集进行训练[37]。Dolz 等人提出了一种基于半密集完全卷积的三维 CNN 架构用于分割婴儿大脑组织[38]。虽然目前脑 MRI 图像的分割方法已有许多，但是还有很多学者在不断探索，不断提出新的研究思想和分割算法。目前已有的方法各有利弊，对于特定的图像都有较好的分割效果。脑 MRI 图像的自动分割仍然是一个研究的重点。1.3论文研究内容及意义磁共振图像具有高对比度、高分辨率以及多角度等特点，其对于大脑的分析比较有效。目前，脑 MRI 图像已经广泛应用于大脑的疾病诊断和治疗、认知科学研究等，本文研究的图像为大脑 MRI 图像。脑组织的分割是临床上分析病灶组织、诊断疾病、制定治疗方案的重要基础。大脑组织包括脑脊液、灰质和白质等部分，本文的目的是实现对大脑组织有效的自动分割。但是脑 MRI 图像本身会受噪声、灰度不均等影响，而且大脑的组织结构纹理较为复杂，白质、灰质及脑脊液组织分布分散，这些使得自动准确的分割脑 MRI 图像仍较为困难。图 1-1 展示了一个脑 MRI 图像的三个剖面。
卷积神经网络是深度学习中的一个重要组成部分。20 世纪 90 年代，LeCun[44]等了 CNN 的现代结构，设计了 LeNet-5 网络模型。CNN 能够从原始图像获得有效直接有效从原始像素中学习到图像分布。然而，当时计算机的计算能力有限，以大规模的训练数据，使得 LeNet-5 对于复杂问题的处理结果并不理想。直到 20Hinton 提出了深度学习，并首次成功应用于分类 ImageNet 数据集，从而使得深神经网络取得了突破性的进展。近年来，深度学习卷积神经网络在图像处理和模等领域都取得了较好的成果。2015 年 Long[45]等人提出全卷积神经网络模型应用分割，开辟了图像分割领域的新方向。卷积神经网络结构中一般包含一些基本层积层、激活层、池化层等。卷积神经网络基本组成1 卷积层传统的全连接网络中，每个节点会连接上一层的所有节点，这种方式会导致参数模型训练困难，另外容易产生过拟合现象。而卷积神经网络中，卷积层实现的是接，这能有效降低模型的参数量。如图 2-1 所示，左侧为局部连接，右侧为全连接
第二章 卷积神经网络理论 )/ + 1， = 。图 2-2 展示了图像大小为 4×4，卷积核大小为 0时的卷积过程。通过卷积核尺寸、步长 和零填充 可以控制卷积例如卷积核大小设为 3， 设为 1，步长设为 1，则特征图像经过卷不变。如果卷积核大小设为 2， 设为 0，步长设为 2，则特征图像现降采样的效果。
【参考文献】
相关期刊论文 前2条
1 朱晓舒;孙权森;夏德深;孙怀江;;基于MultiLayer水平集的脑MRI图像分割框架[J];计算机科学;2014年09期
2 陈亮亮;;MRI大脑图像灰质与白质的分割[J];北京生物医学工程;2013年05期
本文编号：2775827
本文链接：https://www.wllwen.com/linchuangyixuelunwen/2775827.html
最近更新
教材专著
