基于注意力机制的神经网络技术研究及应用

发布时间：2021-07-14 19:53

　　随着智能化医学成像设备的发展,计算机软硬件技术水平的提高,医学图像处理技术在医疗领域的研究和应用日益深入和广泛,在辅助临床诊断及定量分析等方面发挥着重要的作用。本文围绕注意力机制的神经网络技术与其他医学图像处理领域中的相关问题,运用医学图像处理和深度学习,对超声,MR和CT图像等多模态医学图像展开研究,主要研究工作如下:（1）针对超声图像引导放疗中的胸腹部呼吸运动目标追踪问题,提出一种基于慢特征分析的检索式运动追踪方法。通过统计建模的方法来解决超声图像中目标与背景图像的噪声干扰,结合特征降维和慢特征分析构建图像检索图谱。根据慢特征信号的特征重新定义特征图谱中的映射关系。在基于检索的基础上更新模板图像并缩小搜索范围进而提高检索式方法的追踪精确度。另外,该工作中还涉及了超声图像引导设备的图像获取的可重复性实验,以指导临床医生利用机器臂在分次中图像引导过程中保证扫描位置的正确性。实验验证了提出的方法能够以较快的处理速度获得较低的追踪误差,在临床实时呼吸运动追踪方面具有重要的应用价值。（2）针对较复杂临床环境影响下的超声运动追踪问题,如目标形态多变,模糊及遮挡等影响,提出一种基于注意力和全卷积... 

【文章来源】：山东师范大学山东省

【文章页数】：138 页

【学位级别】：博士

【部分图文】：

利用瑞利分布和费舍尔分布拟合的超声图像感兴趣区域的信号特性

山东师范大学硕士学位论文19=(/1),(2.5)公式中，()表示为符号函数。通过费舍尔分布可识别区别于噪声的器官组织等解剖特征，但冗余噪声仍然无法产生对追踪有用的增强特征。经过公式2.3至2.5的计算，引入方向导数判定每个像素是否是特征点，该处的判定阈值为归一化后大于0.5的元素为特征点，否则置零。最终，特征点集合作为下一步训练和测试时的输入值。特征降维和慢特征分析为使运动追踪模型学习到丰富的血管形态特征，该方法需要用到训练集图像为模型进行预训练。其中，训练集图像要求带有人工标记好的追踪目标的坐标值真值，此真值可在治疗计划阶段由解剖经验丰富的医生标记。将预处理后的特征点重新分布为特征列向量，记为，那么由个训练集图像可得到×的训练特征矩阵=。考虑到特征矩阵仍有信息冗余且并非所有的特征点都对描述呼吸运动有较大贡献，因此采用PCA（PricipalComponentAnalysis，主成分分析）对训练集特征进行降维。图2-2：追踪目标感兴趣区域的预处理过程。其中a图分为上中下三个区域，分别计算不同的，b图为通过对图像进行费舍尔分布的降噪处理后的图像，c图为求解方向导数后的图像。

山东师范大学博士学位论文20降维处理一方面降低计算压力，另一方面去除了不必要的冗余信息有利于特征追踪的深层次表达。通过对特征矩阵进行PCA降维得到降维后的特征矩阵。此时的的维度为×，相对比的维度×，的值远大于。那么，通过PCA得到个主要特征向量来表示训练特征矩阵。此时的特征矩阵中包含了空域特征和时域特征，SFA（SlowFeatureAnalysis，慢特征分析）可通过分析特征矩阵并提取不同信号频率下的时域信息。通过SFA对特征矩阵进行时域特征分解后得到由低频到高频等不同频率下的信号，通过对不同频率的信号进行功率谱密度分析，选择由低频到高频的三个信号进行分析得到如图2-3所示的信号a，b和c。通过功率谱密度分析，结合人体的呼吸频率是25—30Hz，在该频段范围内可测量到信号a具有最大的功率值，说明信号a是由SFA得到的与呼吸运动相关的特征信号，该信号记为。由图2-3右图中a所示，对应该频段SFA信号的时域特征曲图2-3：对SFA输出的信号进行功率谱密度分析。图中右侧a，b和c代表SFA输出的三个频段下的信号，左侧信号最高点表示信号在该频率下的功率最大，对应的频率值表示该信号的频率。红色点为信号a的功率最大值。


本文编号：3284789