标签分布嵌入活动轮廓模型的乳腺肿瘤分割关键技术研究
发布时间：2021-02-15 12:31
乳腺癌对于女性是致死率较高的疾病之一,早发现早治疗是治愈乳腺癌的关键。超声成像技术因其无创伤、价格低廉、操作简便等优势,已经成为乳腺癌早期辅助诊断的主要工具之一。超声图像中的肿瘤分割对于乳腺癌的早期诊断具有重要意义。然而,乳腺超声图像存在灰度不同质性问题,这会严重影响算法的分割精度。为了解决该问题,本文研究了一种标签分布嵌入的活动轮廓分割模型:首先,在encoder-decoder网络框架下,构建了一种深度标签分布学习模型,用于学习每个像素的标签分布;然后,构建一个新的活动轮廓能量函数,即在传统的活动轮廓框架下引入一个新的标签分布拟合能量项;最后,通过优化构建的能量函数实现对肿瘤的分割。本文提出的基于标签分布嵌入的活动轮廓模型具有如下两方面的特性:1、深度标签分布学习模型能够获得标签分布图,其与灰度变化无关,对灰度不同质性具有一定的鲁棒性;2、标签分布拟合能量项能够将标签分布图的信息嵌入到活动轮廓中,从而使得结果与标签分布图保持一致、分割结果受灰度不同质性影响较小,有利于提高分割精度。为验证本文方法的性能,在包含135例良性和51例恶性病例的的乳腺图像标注数据集合上进行了较为系统的实验...
【文章来源】：山东大学山东省 211工程院校 985工程院校 教育部直属院校
【文章页数】：50 页
【学位级别】：硕士
【部分图文】：
图１－２乳腺超声图像示例??
?山东大学硕士学位论文???０．０５｜＿＿?－?—?■?—１?１?１?｜?Ｉ??—ｔｕｍｏｒ??０．０４５?一＊＂ｂａｃｋｇｒｏｕｎｄ??０．０４?－??０．０３５?－??０．０３?－??０．０２５?－??０．０２?－??０．０１５?－??：：＾??０ｘｒ＾?—?????０?５０?１００?１５０?２００?２５０??图１－３在乳腺超声图像上肿瘤与背景的灰度分布情况??１．６本文的主要工作??本文研究了一种标签分布嵌入的活动轮廓模型。首先构建一个基于??ｅｎｃｏｄｅｒ－ｄｅｃｏｄｅｒ的深度标签分布学习模型，其能学习到图像中每个像素的标签??分布图，获得的标签分布图与灰度变化无关，对灰度不同质性具有一定的鲁棒??性。然后提出了标签分布嵌入的活动轮廓模型。为了将标签分布图的信息嵌入??到活动轮廓模型中，在活动轮廓模型的能量函数中引入一个新的标签分布拟合??能量项。该项能迫使分割结果与之前所学到的标签分布图尽量保持一致，因而??能使得获得的分割模型对灰度不同质性鲁棒。最后，通过优化新建的能量函数??完成对肿瘤的分割。为了证明提出方法的有效性，在自建的乳腺超声数据集上??（１３５例良性和５１例恶性）进行了实验。所提出的方法的ＡＣＣ、ＪＡＣＣＡＲＤ、??ＴＰ和ＦＰ值分别是０．９９０８，?０．８９１７，?０．６２７３，?０．０３４，优于传统的方法。实验结??果还证明了本方法对于灰度不同质性更为鲁棒。??１．７论文的组织结构??第２章，主要介绍了标签分布学习的含义，形式化定义，旨在全面说明标签??分布学习的意义以便接下来在对标签分布图能有更加深刻的理解。介绍水平集方??法以
?山东大学硕士学位论文???程度。在不失一般性情况下，假设进一步假设标签集合是完整的，也??就是说使用标签集合中的所有标记才能够完整地描述实例Ｘ。形式上可表述为??数值＃被视作标记ｙ对于实例ｘ的描述度。对一个特定的实例，标记集??合中所有标记的描述度构建了一个类似于概率分布的数据形式。所以，这种数据??形式被称为标记分布。学习一个实例的标签分布的过程就被称为标签分布学习。??相比较传统的单标签学习和多标签学习，标签分布学习在学习过程中能够提??供更大的自由度，从而获取更多的和类别相关的有效信息，提升模型性能［３９］。??首先，标签ｙ对实例Ｘ的描述度ｄ（可以通过条件概率的形式来表示，即??Ｍ?＝户〇；｜１）。然后标签分布学习的问题可以按一下方式进行形式化的定义［３９］：??用Ｘ?＝俨来定义输入空间，Ｙ?＝?｛ｙｉ，ｙ２，．．．，ｙ」表示完整的标签集合。给定一??个训练集合３?＝办１，／）１）办２，／）２），．－，（＼，，乃？）｝，其中＼６尤是一个实例，??Ｄ，?＝?ｋ１，＜，．．．，＜｝是与实例ｘ；关联的标签分布，标签分布学习的目标就是要??从训练集Ｓ中学习一个条件概率密度函数ｐ（；；?｜?ｘ），其中ｘ?ｅ?Ｉ，ｙ?ｅ?７。??２．３全卷积神经网络??“ｔａｂｂｙ?ｃａｔ”??ｉ，ｉ?，?１．１，??ｃｏｎｖｏｌｕｔｉｏｎａｌｉｚａｔｉｏｎ??ＥＨ?．??全卷积网结－ＦＣＮ?＃??图２－２?ＦＣＮ基本架构??２０１５年，Ｊｏｎａｔｈａｎ?Ｌｏｎｇ等人提出了全卷积神经网络，该网络把卷积神经网??络中的全脸阶层替换为１Ｘ１卷积层，可以直接接受任意大小的输入图像，解决??１０??
【参考文献】：
期刊论文
[1]多尺度特征融合的图像语义分割[J]. 马冬梅,杨彩锋,李鹏辉. 西北师范大学学报(自然科学版). 2020(01)
[2]超声造影对乳腺癌的诊断价值[J]. 王萌,王春梅. 癌症进展. 2019(24)
[3]局部区域拟合的快速水平集图像分割方法[J]. 黄国鹏,姬红兵,张文博. 中国图象图形学报. 2019(12)
[4]稀疏形状先验的脑肿瘤图像分割[J]. 雷晓亮,于晓升,迟剑宁,王莹,吴成东. 中国图象图形学报. 2019(12)
[5]自动乳腺全容积成像超声在乳腺癌诊断中的价值[J]. 郭红梅,叱强军,王琪,张笑. 实用癌症杂志. 2019(11)
[6]基于超声成像的语言研究综述[J]. 张金溪,李永宏,寇贇. 西北民族大学学报(哲学社会科学版). 2019(06)
[7]基于编码器-解码器的半监督图像语义分割[J]. 刘贝贝,华蓓. 计算机系统应用. 2019(11)
[8]基于ResNet50网络的十种鱼类图像分类识别研究[J]. 王文成,蒋慧,乔倩,祝捍皓,郑红. 农村经济与科技. 2019(19)
[9]基于改进DRLSE水平集模型的图像分割[J]. 魏晨晨,羿旭明. 图学学报. 2019(05)
[10]数字化乳腺摄影、扩散加权成像、MRI动态增强联合诊断乳腺肿瘤的临床价值[J]. 罗超,张郎杰. 医学综述. 2019(18)
本文编号：3034853
【文章来源】：山东大学山东省 211工程院校 985工程院校 教育部直属院校
【文章页数】：50 页
【学位级别】：硕士
【部分图文】：
图１－２乳腺超声图像示例??
?山东大学硕士学位论文???０．０５｜＿＿?－?—?■?—１?１?１?｜?Ｉ??—ｔｕｍｏｒ??０．０４５?一＊＂ｂａｃｋｇｒｏｕｎｄ??０．０４?－??０．０３５?－??０．０３?－??０．０２５?－??０．０２?－??０．０１５?－??：：＾??０ｘｒ＾?—?????０?５０?１００?１５０?２００?２５０??图１－３在乳腺超声图像上肿瘤与背景的灰度分布情况??１．６本文的主要工作??本文研究了一种标签分布嵌入的活动轮廓模型。首先构建一个基于??ｅｎｃｏｄｅｒ－ｄｅｃｏｄｅｒ的深度标签分布学习模型，其能学习到图像中每个像素的标签??分布图，获得的标签分布图与灰度变化无关，对灰度不同质性具有一定的鲁棒??性。然后提出了标签分布嵌入的活动轮廓模型。为了将标签分布图的信息嵌入??到活动轮廓模型中，在活动轮廓模型的能量函数中引入一个新的标签分布拟合??能量项。该项能迫使分割结果与之前所学到的标签分布图尽量保持一致，因而??能使得获得的分割模型对灰度不同质性鲁棒。最后，通过优化新建的能量函数??完成对肿瘤的分割。为了证明提出方法的有效性，在自建的乳腺超声数据集上??（１３５例良性和５１例恶性）进行了实验。所提出的方法的ＡＣＣ、ＪＡＣＣＡＲＤ、??ＴＰ和ＦＰ值分别是０．９９０８，?０．８９１７，?０．６２７３，?０．０３４，优于传统的方法。实验结??果还证明了本方法对于灰度不同质性更为鲁棒。??１．７论文的组织结构??第２章，主要介绍了标签分布学习的含义，形式化定义，旨在全面说明标签??分布学习的意义以便接下来在对标签分布图能有更加深刻的理解。介绍水平集方??法以
?山东大学硕士学位论文???程度。在不失一般性情况下，假设进一步假设标签集合是完整的，也??就是说使用标签集合中的所有标记才能够完整地描述实例Ｘ。形式上可表述为??数值＃被视作标记ｙ对于实例ｘ的描述度。对一个特定的实例，标记集??合中所有标记的描述度构建了一个类似于概率分布的数据形式。所以，这种数据??形式被称为标记分布。学习一个实例的标签分布的过程就被称为标签分布学习。??相比较传统的单标签学习和多标签学习，标签分布学习在学习过程中能够提??供更大的自由度，从而获取更多的和类别相关的有效信息，提升模型性能［３９］。??首先，标签ｙ对实例Ｘ的描述度ｄ（可以通过条件概率的形式来表示，即??Ｍ?＝户〇；｜１）。然后标签分布学习的问题可以按一下方式进行形式化的定义［３９］：??用Ｘ?＝俨来定义输入空间，Ｙ?＝?｛ｙｉ，ｙ２，．．．，ｙ」表示完整的标签集合。给定一??个训练集合３?＝办１，／）１）办２，／）２），．－，（＼，，乃？）｝，其中＼６尤是一个实例，??Ｄ，?＝?ｋ１，＜，．．．，＜｝是与实例ｘ；关联的标签分布，标签分布学习的目标就是要??从训练集Ｓ中学习一个条件概率密度函数ｐ（；；?｜?ｘ），其中ｘ?ｅ?Ｉ，ｙ?ｅ?７。??２．３全卷积神经网络??“ｔａｂｂｙ?ｃａｔ”??ｉ，ｉ?，?１．１，??ｃｏｎｖｏｌｕｔｉｏｎａｌｉｚａｔｉｏｎ??ＥＨ?．??全卷积网结－ＦＣＮ?＃??图２－２?ＦＣＮ基本架构??２０１５年，Ｊｏｎａｔｈａｎ?Ｌｏｎｇ等人提出了全卷积神经网络，该网络把卷积神经网??络中的全脸阶层替换为１Ｘ１卷积层，可以直接接受任意大小的输入图像，解决??１０??
【参考文献】：
期刊论文
[1]多尺度特征融合的图像语义分割[J]. 马冬梅,杨彩锋,李鹏辉. 西北师范大学学报(自然科学版). 2020(01)
[2]超声造影对乳腺癌的诊断价值[J]. 王萌,王春梅. 癌症进展. 2019(24)
[3]局部区域拟合的快速水平集图像分割方法[J]. 黄国鹏,姬红兵,张文博. 中国图象图形学报. 2019(12)
[4]稀疏形状先验的脑肿瘤图像分割[J]. 雷晓亮,于晓升,迟剑宁,王莹,吴成东. 中国图象图形学报. 2019(12)
[5]自动乳腺全容积成像超声在乳腺癌诊断中的价值[J]. 郭红梅,叱强军,王琪,张笑. 实用癌症杂志. 2019(11)
[6]基于超声成像的语言研究综述[J]. 张金溪,李永宏,寇贇. 西北民族大学学报(哲学社会科学版). 2019(06)
[7]基于编码器-解码器的半监督图像语义分割[J]. 刘贝贝,华蓓. 计算机系统应用. 2019(11)
[8]基于ResNet50网络的十种鱼类图像分类识别研究[J]. 王文成,蒋慧,乔倩,祝捍皓,郑红. 农村经济与科技. 2019(19)
[9]基于改进DRLSE水平集模型的图像分割[J]. 魏晨晨,羿旭明. 图学学报. 2019(05)
[10]数字化乳腺摄影、扩散加权成像、MRI动态增强联合诊断乳腺肿瘤的临床价值[J]. 罗超,张郎杰. 医学综述. 2019(18)
本文编号：3034853
本文链接：https://www.wllwen.com/shoufeilunwen/mpalunwen/3034853.html
最近更新
教材专著
