基于U形深度网络的MRI分割方法研究

发布时间：2021-10-07 08:42

　　核磁共振成像（MRI）是一种被广泛使用的医学成像技术,它能够以非侵入方式获取生物体内部组织、器官的结构信息,为医生进行疾病诊断和治疗提供了极大的参考价值。医学图像分割技术则能够快速提取到原始数据中的特定区域,大大提升了医生的工作效率。过去通常使用传统的图像处理和机器学习方法对医学图像进行分割,但是这些方法往往是基于图像的浅层特征进行分析的,因此其处理能力非常有限。近年来,以深度学习为代表的人工智能技术得到了很大的发展,并在许多领域取得了革命性的成果。相比于传统方法,深度学习网络更有利于提取到数据的深层抽象特征,而且端到端的学习方式使得深度网络可以直接处理原始数据,真正实现数据驱动。因此,研究并设计用于医学图像分割的深度网络具有重要意义。本文采用了PROMISE12数据集,将前列腺MRI分割作为论文所述方法的典型应用,但是该方法并不局限于此数据集。针对MRI分割任务,本文研究了二维和三维全卷积网络的结构,包括二维网络到三维网络的转换。对于二维全卷积网络,本文首先分析了目前领先的U-Net深度学习模型。通过引入残差结构、致密网络等当前最新思想,提出了几点改进,使用改进后的网络与原始U-Ne... 

【文章来源】：杭州电子科技大学浙江省

【文章页数】：78 页

【学位级别】：硕士

【部分图文】：

本文内容结构

图 2.3 手写字符[12]一组来自 MNIST 数据集的手写字符。在第象特征就是人眼观察到的一串数字，即“3 6 。但是在计算机看来，首先看到的是各个像素浅层的特征，逐层提取特征后可以看到边缘特表的数字。显而易见，计算机进行特征提取时层的过程。统的机器学习和模式识别方法，例如支持向SVM）、多层感知机、最大熵、高斯混合模型ndom Field，CRF）等都属于浅层学习结构。线性特征变换，可以看作是仅有一两层隐含层往只能学习到局部特征。虽然浅层学习在一些，但是对于复杂问题例如语音识别、图像识别以取得较好的效果。构上使用多层隐含层，当前的特征提取器是

图 2.4 限制玻尔兹曼机，Hinton 采用了无监督的方式进行预训练行学习，逐层训练 RBM。前一个 RBM 训数，然后把这个 RBM 的输出作为当前 RB个 RBM。当 DBN 用于分类任务时，可以在tmax，然后把前面预训练得到的参数去初始差向后传播对网络进行整体的微调。inton 使用了分层预训练和微调解决了深度，DBN 使用的是无监督学习的方式，而微码器是去噪自动编码器[41]（DenoisingAutoenco基础组件。如图 2.5 所示是 DA 的网络结构输入层与输出层拥有的神经元数量相同。

【参考文献】：
期刊论文
[1]高斯混合模型改进的活动轮廓模型MRI分割[J]. 张建伟,夏德深.  计算机辅助设计与图形学学报. 2005(12)



本文编号：3421721