脑肿瘤MRI的并行CNN多尺度特征分割技术研究

发布时间：2021-05-21 03:25

　　脑肿瘤图像分割是医学图像处理中的一个重要分支。其目的是通过对颅内影像数据进行智能化处理获得肿瘤的位置、尺寸、形态结构和骨质破坏等信息,为肿瘤专家提供用于诊断的可靠依据。在脑肿瘤统计数据中,神经胶质瘤是最常见的中枢神经系统疾病,约占原发性肿瘤的80%,常见于儿童和青年人群。高级别胶质瘤具有形态多变、浸润生长的特点。对于肿瘤占位性压迫的患者,开颅检查有可能对患者造成神经损伤,因此专家一般对脑影像数据进行诊断。在智能化的非侵入性检查算法中,单纯依靠强度阈值和纹理特征等特点构建的模型,其预测结果与真实标签相比准确率低,很难在实践中获得广泛应用,因此需要开发一种可靠的自动分割算法。本文针对脑肿瘤图像病灶分割的任务设计了两个深度学习模型,分别是基于U-Net模型的编码器-解码器结构和一个双通路三维并行卷积网络。编码器-解码器结构已经被证实在医学图像分割的多个领域具有良好性能,因此本文在U-Net模型的基础上构建了针对MRI图像三维数据的空间结构,将分割结果与金标准进行对比,计算其Dice系数与其他全卷积算法进行对比。U-Net在医学图像分割中的良好表现得益于两点。第一,U-Net的收缩路径可以获得... 

【文章来源】：内蒙古科技大学内蒙古自治区

【文章页数】：61 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 课题研究背景与意义
    1.2 主要研究内容
    1.3 脑肿瘤分割的常用算法
        1.3.1 基于阈值的图像分割算法
        1.3.2 基于边缘的图像分割算法
        1.3.3
        1.3.4 基于图谱的图像分割算法
    1.4 课题研究现状
        1.4.1 国外研究现状
        1.4.2 国内研究现状
    1.5 章节安排
2 脑肿瘤MRI简介
    2.1 磁共振
        2.1.1 磁共振现象
        2.1.2 伪影
        2.1.3 容积效应
    2.2 BraTS2018
        2.2.1 脑肿瘤数据
        2.2.2 评价指标
    2.4 本章小结
3 基于单卷积神经网络的脑肿瘤分割
    3.1 卷积神经网络
        3.1.1 神经网络的发展历程
        3.1.2 CNN的基础运算
        3.1.3 池化
        3.1.4 激活函数
        3.1.5 目标函数
    3.2 基于U-Net的脑肿瘤分割
        3.2.1 编码器-解码器网络的原理
        3.2.2 三维集成U-Net
    3.3 实验设计
        3.3.1 数据预处理
        3.3.2 网络结构和参数配置
    3.4 实验结果与分析
    3.5 本章小结
4 结合空洞的并行CNN
    4.1 空洞卷积网络
        4.1.1 空洞卷积算法原理
        4.1.2 非连续性空洞卷积
    4.2 密集全连接网络
        4.2.1 ResNet
        4.2.2 DenseNet
        4.2.3 密集连接网络的组成模块
    4.3 实验与讨论
        4.3.1 数据预处理
        4.3.2 实验数据与环境配置
        4.3.3 网络参数设定
        4.3.4 实验结果与分析
        4.3.5 对比实验分析
    4.4 本章小结
结论
展望
参考文献
在学研究成果
致谢


【参考文献】：
期刊论文
[1]MRI脑肿瘤图像分割的深度学习方法综述[J]. 江宗康,吕晓钢,张建新,张强,魏小鹏.  中国图象图形学报. 2020(02)
[2]改进FCMS算法及其在颅内肿瘤图像分割的研究[J]. 王岩,吴焕丽.  科学技术与工程. 2019(34)
[3]基于多核协同表示分类的脑肿瘤分割算法[J]. 葛婷,詹天明,牟善祥.  南京理工大学学报. 2019(05)
[4]多分类CNN的胶质母细胞瘤多模态MR图像分割[J]. 赖小波,许茂盛,徐小媚.  电子学报. 2019(08)
[5]基于自适应联合双边滤波的深度图像空洞填充与优化算法[J]. 王得成,陈向宁,易辉,赵峰.  中国激光. 2019(10)
[6]基于双通道GAN的高光谱图像分类算法[J]. 毕晓君,周泽宇.  光学学报. 2019(10)
[7]多模态融合的深度学习脑肿瘤检测方法[J]. 姚红革,沈新霞,李宇,喻钧,雷松泽.  光子学报. 2019(07)
[8]基于MATLAB＿GUI的超声乳腺肿瘤图像分割平台设计[J]. 范怀玉,马军山.  软件. 2019(06)
[9]基于Armijo线搜索的布里渊散射谱图像降噪算法[J]. 尚秋峰,秦文婕,胡雨婷.  中国激光. 2019(09)
[10]改进FCM的MR脑肿瘤图像分割[J]. 蒋秋霖,王昕.  长春工业大学学报. 2019(02)

博士论文
[1]磁共振成像中若干方法问题研究[D]. 李建奇.华东师范大学 2010
[2]数字化MRI谱仪系统的研究与设计[D]. 刘正敏.中国科学技术大学 2007

硕士论文
[1]基于深度学习的脑部肿瘤分割算法研究与实现[D]. 孔祥茂.山东大学 2019
[2]双目图像的目标分割方法研究[D]. 朱晖.西安电子科技大学 2018
[3]沉默ABCE1基因对人脑胶质瘤细胞增殖的影响及其机制的初步研究[D]. 薛欢鸽.山西大学 2018
[4]多模态MRI脑肿瘤图像分割方法研究[D]. 王瑞.山东大学 2018
[5]基于3维全卷积DenseNet的MRI脑胶质瘤多区域分割算法研究[D]. 黄奕晖.南方医科大学 2018
[6]深度卷积网络中的自适应激活函数研究[D]. 刘华.华南理工大学 2018
[7]基于轮廓线的自动三维重建方法研究[D]. 刘文晓.青岛科技大学 2017
[8]基于DoG的胸部CT肺结节自动检测算法研究[D]. 刘晨辉.广州大学 2016
[9]脑肿瘤图像分割及三维重建方法研究[D]. 张雯.兰州交通大学 2016
[10]IL型咪唑Gemini表面活性剂的合成及其溶液性质的研究[D]. 任成成.中国石油大学(华东) 2015



本文编号：3198954