基于全卷积U形网络的脑核磁共振图像分割

发布时间：2020-11-12 14:03

　　 心脑血管疾病是一类严重的多发病,早期的诊断和治疗对防止病情的恶化具有重要的意义,利用图像分割技术对医学影像进行分析是一种常用的辅助诊疗手段,由于核磁共振成像(Magnetic Resonance Imaging,MRI)具有非侵入性、非损伤性、高对比度等优势,被广泛的应用于临床诊断。但由于成像设备自身的问题及脑组织的特殊性,脑MR图像中经常存在噪声、偏移场、弱边界等问题,而传统的图像分割算法往往是基于灰度信息,受上述问题影响较大,难以获得精确的分割结果。基于卷积神经网络的模型能获得不同尺度的特征信息而得到更为准确的分割结果,但由于多次卷积与池化操作,导致对细节保持能力不足,分割效果不够理想。本文基于全卷积神经网络及U-Net模型,针对其存在的问题,对模型进行了改进,并使用了新的损失函数,对细节的分割获得了更好的结果,并提升了准确率。本文的研究内容主要有以下两个方面:(1)针对U-Net在分割脑MR图像时对细节分割效果不理想,且分割边界较光滑的问题,提出了一种多尺度的全卷积U形网络。在U-Net中加入了多尺度的卷积核,使用小尺度的卷积核提取图像细节信息,提升对细节的处理效果,使用较大尺度的卷积核扩大感受野,利用更多的邻域信息。通过结合不同尺度的卷积核的特征图,提升模型的分割精度。(2)针对医学图像中背景占比较大导致对损失影响较大的问题,构造了一种加权交叉熵损失函数。在交叉熵损失函数的基础上引入了权重系数,构造了加权交叉熵损失函数,通过控制图像不同位置的像素权重,减小损失受背景的影响,平衡不同类别分割结果对目标损失的影响,提升模型的分割准确率。通过在临床脑MR图像上的分割结果对比,本文提出的方法在不规则边界及细长拓扑的分割结果上表现更好,且获得了更高的准确率,从视觉效果及数值效果上验证了本文方法的有效性。
【学位单位】：南京信息工程大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：R445.2;TP391.41;TP183
【部分图文】：

南京信息工程大学硕士学位论文医学图像又不同于一般图像，由于仪器设备本身或外生一些伪影区域或噪声点；且由于脑部组织本身的特征呈现弱边界的特点。这些都是传统图像分割算法难以攻复杂背景的医学图像的分割效果较差，而临床诊断又要确率，因此，我们需要更加准确且鲁棒的分割算法。经网络的分割模型深度学习（Deep Learning，DL）发展迅猛，尤其NeuralNetworks，CNNs）在各类计算机视觉任务中都取经网络应用于医学图像分割是近年来研究的热点课题[3

第一章 绪论重，则第 个隐层神经元的输入为 = ∑ ，第 。更复杂的多层神经网络可以解决更复杂的问题大的学习算法，其中最具代表性的是误差逆传播（Back等[42]证明只需要一个具有足够多的神经元的隐层，多层意复杂的连续函数。但是因为网络是全连接的，即每个间都存在一个权重，所以更深更大的网络有更多的参数的图片为例，需要网络输入层有 262144 个神经元，我经元，那么只这一层网络就有6.87 × 10 个参数需要训

图 2.1 卷积神经网络结构示意图2.2.1 卷积层卷积是通过两个函数生成第三个函数的一种数学算子，设 ( )、 ( )是可积函数，记卷积为 ，则 ( ) = ( )( ) = ( ) ( ) （2.1）仍为可积函数，且( )( ) = ( )( )。在卷积神经网络中，卷积核是一个权重矩阵，卷积操作是卷积核对特征图的一种滑动滤波，是滤波器滑过图像对应位置相乘并求和，可以看作是上述积分的离散形式，其表达式如下所示。 ( , ) = ( , ) ( + , + ) + （2.2）
【相似文献】

相关期刊论文 前10条

1 韩悬;马银平;;分水岭算法的改进及在图像分割中的应用[J];现代信息科技;2019年24期

2 黄玲;石玉秋;覃永新;;基于小波融合的苹果图像分割的研究[J];科技视界;2018年29期

3 侯红英;高甜;李桃;;图像分割方法综述[J];电脑知识与技术;2019年05期

4 姚霆;张炜;刘金根;;基于深度学习的图像分割技术[J];人工智能;2019年02期

5 丁翠;;基于模糊信息处理的图像分割方法研究[J];信息系统工程;2017年11期

6 王平;魏征;崔卫红;林志勇;;一种基于统计学习理论的最小生成树图像分割准则[J];武汉大学学报(信息科学版);2017年07期

7 李然;李记鹏;宋超;;基于显著性检测的协同图像分割研究[J];现代计算机(专业版);2017年24期

8 邓惠俊;;一种基于数据场的图像分割方法与研究[J];长春工程学院学报(自然科学版);2016年02期

9 李继云;冀卿伟;;基于自适应局部阈值的交互式图像分割[J];计算机应用与软件;2014年11期

10 刘印;;对图像分割方法的认识及新进展研究[J];数码世界;2018年08期

相关博士学位论文 前10条

1 邵光普;基于混合模型和空间信息的图像分割研究[D];华中科技大学;2019年

2 王晨;视觉显著性检测方法研究及其应用[D];西北工业大学;2018年

3 古晶;基于稀疏特征学习的SAR图像分割与半监督分类方法研究[D];西安电子科技大学;2016年

4 段一平;基于层次视觉计算和统计模型的SAR图像分割与理解[D];西安电子科技大学;2017年

5 胡佩君;腹部CT图像分割的可计算建模方法研究[D];浙江大学;2018年

6 姜枫;基于语义识别的砂岩薄片图像分割方法研究[D];南京大学;2018年

7 赵晓丽;面向图像分割的智能算法研究[D];上海大学;2018年

8 倪波;高强度聚焦超声图像分割方法研究[D];武汉大学;2016年

9 彭自立;用于交互式图像分割的自适应表观分离[D];湖南师范大学;2018年

10 瞿绍军;基于最优化理论的图像分割方法研究[D];湖南师范大学;2018年

相关硕士学位论文 前10条

1 王亚彪;基于深度学习的人脑组织图像分割[D];北京理工大学;2016年

2 王宇飞;基于模糊聚类技术的磁共振脑图像分割方法的研究[D];北京理工大学;2017年

3 王宁;基于生成对抗网络的皮肤镜图像分割算法研究[D];山东科技大学;2018年

4 张弯;近景图像分割与像对分步匹配方法研究[D];山东科技大学;2018年

5 闫文杰;基于深度学习的肺部CT影像分割算法的研究[D];大连理工大学;2019年

6 殷丽丽;基于CNN-CRF的细胞显微图像分割[D];东华大学;2019年

7 秦松岩;基于深度学习的火车轮对踏面图像分割[D];石家庄铁道大学;2019年

8 赵向明;基于深度学习的医学图像分割算法研究[D];华中科技大学;2019年

9 袁旭;基于超像素的图像分割方法研究[D];华中科技大学;2019年

10 胡翔;试卷智能辅助批阅系统的设计与实现[D];华中科技大学;2019年

本文编号：2880826