基于特征编码和解码结构的医学图像分割研究

发布时间：2021-06-22 09:02

　　医学图像分割是生物医学图像处理中的一个重要问题。医学图像的高效、自动分割可以帮助医生辅助诊疗,也为研究者更好地了解生物组织的解剖信息提供了有力的技术支撑。医学图像易受噪声干扰、灰度不均匀性等特点成为影响分割性能的主要因素。近年来基于特征编码和解码结构的医学图像分割方法逐渐成为主流,但是不少方法在编码器的设计上没有考虑医学图像自身的特点,例如多模态、空间邻域关系等信息,尤其在构建端到端的深度神经网络方面,其解码器的设计没有充分考虑层级间的长期信息依赖性,使得这些方法效果有限。因此,本文为了克服现有方法在特征编码器和解码器设计上的不足,提出了两种改进方法,用以提升医学图像分割的性能和鲁棒性。本文的主要工作如下:（1）从改进特征编码器的角度出发,提出了一种基于多模态和邻域约束的特征编码和解码方法,称为LSTM-MA。该方法将图像看成是由结点连接的无向图,结合了多模态和空间邻域信息,设计了两种对结点提取特征序列的方法:像素级约束和超像素级约束。然后使用LSTM网络对特征序列进行分类,最后融合各结点的分类结果完成分割预测。在BrainWeb和MRBrainS上的评估实验结果表明,该方法在噪声干扰... 

【文章来源】：华东师范大学上海市 211工程院校 985工程院校 教育部直属院校

【文章页数】：63 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 研究背景和意义
    1.2 医学图像分割的研究综述
        1.2.1 医学图像分割的研究难点
        1.2.2 医学图像分割的研究现状
    1.3 本文的主要研究内容
    1.4 本文结构安排
    1.5 本章小结
第二章 应用于图像分割的深度学习相关模型介绍
    2.1 基于编码和解码结构的卷积神经网络分割模型
        2.1.1 卷积神经网络的基本结构
        2.1.2 FCN模型
        2.1.3 U-Net模型
        2.1.4 Seg Net模型
    2.2 循环神经网络
        2.2.1 基本循环网络
        2.2.2 长短期记忆网络
        2.2.3 门控循环单元
    2.3 本章小结
第三章 基于多模态和邻域约束的特征编码和解码
    3.1 引入多模态和邻域约束的动机
    3.2 基于多模态和邻域约束的特征编码和解码方法
        3.2.1 图像的无向图表示
        3.2.2 多模态和邻域约束的特征编码
        3.2.3 基于LSTM的特征解码
    3.3 本章小结
第四章 基于卷积循环神经网络的特征编码和解码
    4.1 引入卷积循环神经网络的动机
    4.2 基于卷积循环神经网络的特征编码和解码方法
        4.2.1 卷积循环解码网络整体结构
        4.2.2 循环解码单元
    4.3 本章小结
第五章 实验结果及分析
    5.1 实验数据库介绍
    5.2 实验评价指标
    5.3 基于多模态和邻域约束的特征编码和解码的实验及分析
        5.3.1 超参数设置及实现细节
        5.3.2 模型消融实验
        5.3.3 模型对比实验
        5.3.4 噪声图像实验
    5.4 基于卷积循环神经网络的特征编码和解码的实验及分析
        5.4.1 超参数设置及实现细节
        5.4.2 模型消融实验
        5.4.3 模型对比实验
        5.4.4 模型鲁棒性实验
    5.5 本章小结
第六章 总结与展望
    6.1 工作总结
    6.2 工作展望
参考文献
致谢
攻读硕士学位期间学术成果


【参考文献】：
期刊论文
[1]图像分割阈值选取方法的研究[J]. 拜颖乾.  信息系统工程. 2014(02)
[2]基于大津法求阈值的变化矢量分析法[J]. 曾子芳,潘建平.  测绘与空间地理信息. 2013(03)
[3]医学图像分割方法综述[J]. 林瑶,田捷.  模式识别与人工智能. 2002(02)

硕士论文
[1]基于模糊聚类算法的图像分割研究[D]. 胡加亮.华东师范大学 2019



本文编号：3242558