基于深度学习的海马体分割方法

发布时间：2021-04-22 19:05

　　随着社会人口老龄化的加剧,以阿尔茨海默症为代表的神经退行性疾病严重影响了老年人群的生命健康及生活精神。阿尔茨海默症、轻度认知障碍、颞叶癫痫的出现往往伴随着患者海马体体积的萎缩。因而分析海马体体积是诊断和研究这些疾病的关键,而分析海马体的首要条件则是将其从磁共振图像中分割出来。由于海马体具有形状不规则、体积小、边缘模糊等特点,一般的分割方法往往难以获得满意的分割效果。基于深度学习理论和技术,本文提出了结合序列学习和U型网络的海马体分割方法以及二阶段海马体分割方法。结合序列学习和U型网络的海马体分割方法利用序列学习将图像序列间的依赖信息引入二维语义分割网络中,以充分利用图像的三维上下文。此外,针对任务中可能存在的样本平衡问题,本方法通过在网络训练阶段加入类别权重参数的方式来进行改善。在ADNI数据集上的实验验证了方法的性能和稳定性。与普通U型网络的对比实验验证了引入序列学习结构的有效性,而网络可视化技术则验证了网络学习的合理性。基于深度学习的二阶段海马体分割方法包括定位阶段和分割阶段,每个阶段包含两个步骤。在定位阶段,利用一个训练好的二分类网络筛选出包含海马的切片。然后根据筛选出的切片生成... 

【文章来源】：浙江工业大学浙江省

【文章页数】：68 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
符号说明
第一章 绪论
    1.1 引言
    1.2 人脑中的海马体
    1.3 海马体与人类疾病
        1.3.1 阿尔茨海默症
        1.3.2 轻度认知障碍
        1.3.3 颞叶癫痫
    1.4 脑部海马体磁共振成像
    1.5 论文研究内容和章节安排
    1.6 小结
第二章 海马体分割方法的进展
    2.1 引言
    2.2 基于可变模型的分割方法
    2.3 基于图谱配准的分割方法
        2.3.1 单图谱分割法
        2.3.2 多图谱分割法
    2.4 基于监督学习的分割方法
        2.4.1 区域模型
        2.4.2 全域模型
        2.4.3 深度学习
    2.5 小结
第三章 深度学习理论及技术
    3.1 引言
    3.2 深度学习简述
    3.3 卷积神经网络
        3.3.1 卷积层
        3.3.2 激活层
        3.3.3 池化层
        3.3.4 批归一化层
    3.4 全卷积网络
        3.4.1 转置卷积
        3.4.2 跳跃连接
        3.4.3 全卷积神经网络在医学图像分割上的应用
    3.5 循环神经网络
        3.5.1 简单循环神经网络
        3.5.2 长短期记忆网络
    3.6 小结
第四章 结合序列学习和U型网络的海马体分割方法
    4.1 引言
    4.2 具体方法
        4.2.1 方法总览
        4.2.2 双向卷积LSTM
        4.2.3 网络结构
        4.2.4 损失函数
        4.2.5 类别权重参数
    4.3 数据集
    4.4 网络训练策略
    4.5 实验结果分析
        4.5.1 十折交叉验证评估
        4.5.2 与普通U型网络的对比实验
        4.5.3 网络可视化
    4.6 小结
第五章 基于深度学习的二阶段海马体分割方法
    5.1 引言
    5.2 具体方法
        5.2.1 方法总览
        5.2.2 网络介绍
        5.2.3 定位阶段
        5.2.4 分割阶段
    5.3 数据集
    5.4 定位阶段评估
        5.4.1 SOI筛选评估
        5.4.2 候选区域生成评估
    5.5 分割阶段评估
        5.5.1 精分割评估
        5.5.2 平面融合分析
        5.5.3 多视角决策评估
    5.6 小结
第六章 总结与展望
    6.1 总结
    6.2 展望
参考文献
致谢
作者简介
    1 作者简历
    2 攻读硕士学位期间发表的学术论文
    3 参与的科研项目及获奖情况
    4 发明专利
学位论文数据集


【参考文献】：
期刊论文
[1]结合序列学习和U型网络的海马体分割方法[J]. 曹平,盛邱煬,潘清,宁钢民,汪振杰,方路平.  计算机辅助设计与图形学学报. 2019(08)
[2]基于稀疏编码与方向-尺度描述子的海马体自动分割[J]. 刘颖,张明慧,阳维,卢振泰,冯前进,苏榆生.  计算机科学. 2017(01)
[3]基于多图谱活动轮廓模型的脑部图像分割[J]. 张明慧,卢振泰,张娟,阳维,陈武凡,张煜.  计算机学报. 2016(07)
[4]基于MRI的人脑海马结构的形态测量[J]. 刘智华,钱学华,周庭永,吕发金,郑登儒,李林宏,白桂芹,张华.  第三军医大学学报. 2012(16)



本文编号：3154304