基于深度学习的医学图像分割方法的研究
发布时间：2021-04-11 08:52
近年来,深度学习得到广泛的研究,目前已成为一种主流的研究技术。深度学习在图像分类﹑图像识别﹑图像检索和目标检测等各个领域都取得显著成果,随着深度学习在自然图像语义分割上取得的突破性进展,由此将图像分割扩展到医学图像上。由于医学图像自身的特性,导致许多先进的分割算法未能在医学图像取得好的结果,所以医学图像的分割需要特定的算法去实现。基于改进深度模型的医学图像分割,本文的主要工作如下:（1）针对目前医学图像分割常使用的Sigmoid激活函数,可能产生梯度消失而影响网络特征编码能力的问题,本文提出基于编码约束的全卷积分割网络。医学图像分割本质上是对每个像素的二分类,而Sigmoid激活函数常用于二分类,Sigmoid激活函数可以将特征映射到0-1之间。Sigmoid适用于二分类但却可能导致梯度消失,本文通过一个约束编码,在使用Sigmoid之前将编码层特征值规范到0.5附近,以此来缓解梯度消失并提高特征编码能力。针对基于全卷积在目标边缘分割的粗糙性需要CRF对分割结果做平滑处理问题,本文提出利用生成对抗网络端到端的实现医学图像的分割。通过实验可视化分割结果表明在网络中引入多尺度特征损失判别器...
【文章来源】：山西大学山西省
【文章页数】：69 页
【学位级别】：硕士
【部分图文】：
三维多层医学图像
基于深度学习的医学图像分割方法的研究8图2.1三维多层医学图像2.3卷积神经网络深度学习源于机器学习，是其一个分支，近年来被广泛研究成为主流的研究方法。深度学习本质是对数据的高层抽象，通过一系列复杂的结构和非线性变换进行数据处理，属于一种基于对数据进行表征学习的方法。深度学习最主要的优势就是能够依靠模型提取特征进行表征学习，避免了原始需要人工去获取特征。卷积神经网络CNN[26-28]是深度学习最具有代表性的学习模型。CNN是基于人工神经网络的一种改进，由于神经网络在一些领域均取得突破性成就，而传统人工神经网络具有庞大的参数量，既耗费训练资源又耗时，为了改善这种状况从而提出CNN。一个完整的CNN结构主要由输入层﹑卷积层[26,27]﹑池化层[26,27]﹑全连接层[26,27]和输出层组成，其中卷积层，池化层和全连接层可以包含多个。CNN的训练包括前向传播（前馈神经网络）和反向传播算法[26]，其中反向传播尤为重要。前向传播就是数字图像以矩阵的形式输入网络，经卷积层计算提取有效特征，并利用激活函数做非线性处理以增强网络的学习能力，当产生的特征图较大或参数量较多时可适当采用池化层进行下采样，最后通过全连接层进行映射输出预测的结果。反向传播算法是通过链式求导法则进行权重的更新。如图2.2所示一个经典的卷积神经网络，包含有卷积层，池化层和全连接层。图2.2一个简单的卷积神经网络结构图
集具有相同的分布。卷积层，进行卷积计算是网络的核心部分，本质是一个滤波器[30]，利用一个确定大小的滑动窗口在输入图像上做乘运算和加运算，主要就是用来做特征提龋卷积层的多少决定了网络的深度，卷积层越多网络越深提取的特征越详细越复杂。网络的训练参数基本都在这一层。卷积层是以局部关联为基础进行窗口滑动。局部关联要求同一个卷积核在对图像不同部分进行滑动卷积计算时保持权重相同即权重共享。窗口滑动就是一个固定大小的矩阵在图像矩阵上逐步平移。在进行卷积操作时需要知道步长，填充值，深度等相关概念如图2.3所示。对于填充值要依据图像尺寸和卷积核大小而定，目的是为了确保能够让滑动窗口覆盖到整幅图像。以55大小的图像为例，给定滑动窗口大小33，步长为1，此时若对图像进行卷积操作就无法完全覆盖到所有像素而是差一个像素，通过填充padding=1，改变图像大小为77。图2.3卷积操作以及相关的概念卷积计算过程如图2.4所示，即对应元素先做乘运算再做加运算。图中蓝色矩阵为一个单通道输入，最外层值为0的灰色框是填充值，红色矩阵是卷积层的一个神经元，经过一次卷积运算后结果在最右边的绿色矩阵中显示。滑动窗口大小为33，步长为2，以绿色矩阵中第一个值计算为例，计算00+00+(-1)0+10+01+02+00+01+10=0，该计算过程即为红色矩
【参考文献】：
期刊论文
[1]注意力机制在深度学习中的研究进展[J]. 朱张莉,饶元,吴渊,祁江楠,张钰. 中文信息学报. 2019(06)
[2]3D脑肿瘤分割的Dice损失函数的优化[J]. 刘昊,王冠华,章强,李雨泽,陈慧军. 中国医疗设备. 2019(05)
[3]图像分割方法综述[J]. 侯红英,高甜,李桃. 电脑知识与技术. 2019(05)
[4]基于深度CRF模型的图像语义分割方法[J]. 胡涛,李卫华,秦先祥,邱浪波,李小春. 空军工程大学学报(自然科学版). 2018(05)
[5]基于改进激活函数的卷积神经网络研究[J]. 曲之琳,胡晓飞. 计算机技术与发展. 2017(12)
[6]NIFTI格式医学图像显示方法研究[J]. 张光玉,徐龙春,张敏风,邹越,张岗,赵文波,秦健,杨贵华,姜娇娇,闫呈新,宋莉,朱建忠. 中国医学物理学杂志. 2017(07)
[7]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军. 计算机学报. 2017(06)
[8]图像分割方法综述研究[J]. 周莉莉,姜枫. 计算机应用研究. 2017(07)
[9]卷积神经网络研究综述[J]. 李彦冬,郝宗波,雷航. 计算机应用. 2016(09)
[10]深度卷积神经网络在计算机视觉中的应用研究综述[J]. 卢宏涛,张秦川. 数据采集与处理. 2016(01)
硕士论文
[1]基于注意力机制的图像分类深度学习方法研究[D]. 王培森.中国科学技术大学 2018
[2]基于深度学习的图像分割研究与应用[D]. 张华博.电子科技大学 2018
[3]基于深度学习的图像分类技术研究[D]. 屈冰欣.西北工业大学 2015
[4]CT/MRI医学影像分割算法研究[D]. 刘玲玲.天津医科大学 2013
[5]图像分割的算法研究[D]. 吴学明.成都理工大学 2006
本文编号：3130957
【文章来源】：山西大学山西省
【文章页数】：69 页
【学位级别】：硕士
【部分图文】：
三维多层医学图像
基于深度学习的医学图像分割方法的研究8图2.1三维多层医学图像2.3卷积神经网络深度学习源于机器学习，是其一个分支，近年来被广泛研究成为主流的研究方法。深度学习本质是对数据的高层抽象，通过一系列复杂的结构和非线性变换进行数据处理，属于一种基于对数据进行表征学习的方法。深度学习最主要的优势就是能够依靠模型提取特征进行表征学习，避免了原始需要人工去获取特征。卷积神经网络CNN[26-28]是深度学习最具有代表性的学习模型。CNN是基于人工神经网络的一种改进，由于神经网络在一些领域均取得突破性成就，而传统人工神经网络具有庞大的参数量，既耗费训练资源又耗时，为了改善这种状况从而提出CNN。一个完整的CNN结构主要由输入层﹑卷积层[26,27]﹑池化层[26,27]﹑全连接层[26,27]和输出层组成，其中卷积层，池化层和全连接层可以包含多个。CNN的训练包括前向传播（前馈神经网络）和反向传播算法[26]，其中反向传播尤为重要。前向传播就是数字图像以矩阵的形式输入网络，经卷积层计算提取有效特征，并利用激活函数做非线性处理以增强网络的学习能力，当产生的特征图较大或参数量较多时可适当采用池化层进行下采样，最后通过全连接层进行映射输出预测的结果。反向传播算法是通过链式求导法则进行权重的更新。如图2.2所示一个经典的卷积神经网络，包含有卷积层，池化层和全连接层。图2.2一个简单的卷积神经网络结构图
集具有相同的分布。卷积层，进行卷积计算是网络的核心部分，本质是一个滤波器[30]，利用一个确定大小的滑动窗口在输入图像上做乘运算和加运算，主要就是用来做特征提龋卷积层的多少决定了网络的深度，卷积层越多网络越深提取的特征越详细越复杂。网络的训练参数基本都在这一层。卷积层是以局部关联为基础进行窗口滑动。局部关联要求同一个卷积核在对图像不同部分进行滑动卷积计算时保持权重相同即权重共享。窗口滑动就是一个固定大小的矩阵在图像矩阵上逐步平移。在进行卷积操作时需要知道步长，填充值，深度等相关概念如图2.3所示。对于填充值要依据图像尺寸和卷积核大小而定，目的是为了确保能够让滑动窗口覆盖到整幅图像。以55大小的图像为例，给定滑动窗口大小33，步长为1，此时若对图像进行卷积操作就无法完全覆盖到所有像素而是差一个像素，通过填充padding=1，改变图像大小为77。图2.3卷积操作以及相关的概念卷积计算过程如图2.4所示，即对应元素先做乘运算再做加运算。图中蓝色矩阵为一个单通道输入，最外层值为0的灰色框是填充值，红色矩阵是卷积层的一个神经元，经过一次卷积运算后结果在最右边的绿色矩阵中显示。滑动窗口大小为33，步长为2，以绿色矩阵中第一个值计算为例，计算00+00+(-1)0+10+01+02+00+01+10=0，该计算过程即为红色矩
【参考文献】：
期刊论文
[1]注意力机制在深度学习中的研究进展[J]. 朱张莉,饶元,吴渊,祁江楠,张钰. 中文信息学报. 2019(06)
[2]3D脑肿瘤分割的Dice损失函数的优化[J]. 刘昊,王冠华,章强,李雨泽,陈慧军. 中国医疗设备. 2019(05)
[3]图像分割方法综述[J]. 侯红英,高甜,李桃. 电脑知识与技术. 2019(05)
[4]基于深度CRF模型的图像语义分割方法[J]. 胡涛,李卫华,秦先祥,邱浪波,李小春. 空军工程大学学报(自然科学版). 2018(05)
[5]基于改进激活函数的卷积神经网络研究[J]. 曲之琳,胡晓飞. 计算机技术与发展. 2017(12)
[6]NIFTI格式医学图像显示方法研究[J]. 张光玉,徐龙春,张敏风,邹越,张岗,赵文波,秦健,杨贵华,姜娇娇,闫呈新,宋莉,朱建忠. 中国医学物理学杂志. 2017(07)
[7]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军. 计算机学报. 2017(06)
[8]图像分割方法综述研究[J]. 周莉莉,姜枫. 计算机应用研究. 2017(07)
[9]卷积神经网络研究综述[J]. 李彦冬,郝宗波,雷航. 计算机应用. 2016(09)
[10]深度卷积神经网络在计算机视觉中的应用研究综述[J]. 卢宏涛,张秦川. 数据采集与处理. 2016(01)
硕士论文
[1]基于注意力机制的图像分类深度学习方法研究[D]. 王培森.中国科学技术大学 2018
[2]基于深度学习的图像分割研究与应用[D]. 张华博.电子科技大学 2018
[3]基于深度学习的图像分类技术研究[D]. 屈冰欣.西北工业大学 2015
[4]CT/MRI医学影像分割算法研究[D]. 刘玲玲.天津医科大学 2013
[5]图像分割的算法研究[D]. 吴学明.成都理工大学 2006
本文编号：3130957
本文链接：https://www.wllwen.com/shoufeilunwen/xixikjs/3130957.html
