基于深度学习的子宫腺肌瘤超声图像分割方法研究
发布时间：2021-09-18 14:48
子宫腺肌瘤是一种病发于子宫内的常见疾病,其病状与痛感严重困扰了当代女性的身心健康。而超声检查因其无损和价低等优势被作为临床妇科疾病诊断的主要影像学方法,经常用于子宫类疾病的初期筛查和术后诊疗中。伴随着深度学习领域的不断发展,与医学领域的交叉研究也在蓬勃发展,计算机辅助诊断系统也将逐步被广泛应用到临床医学领域。由于超声图像的自身噪声和伪影等缺点,严重限制了其在人工智能图像分割领域的发展。不同于体内浅表层疾病,腹腔内的超声肿瘤图像边界不清、干扰较大也给分割造成难度。为解决上述问题,同时减轻医师的工作负担,满足临床诊断快速高效的需求,本课题在子宫腺肌瘤超声图像分割方向进行尝试,填补深度学习在此领域应用的空白。使用来自北京市妇产医院的超声仪器采集的200多名子宫腺肌瘤患者的近1600张超声影像,对病灶影像进行标注和预处理,构建子宫腺肌瘤超声数据集。随后进行了以下研究:首先,针对传统图像分割方法的不足,本文分别设计两种不同的深度学习方法实现对子宫腺肌瘤的分割。使用Deeplab模型,通过空洞卷积算法和全连接CRF来优化病灶边缘细节信息,并对比两种语义分割网络得到最优的结果。使用Mask RCNN...
【文章来源】：中国地质大学(北京)北京市 211工程院校 教育部直属院校
【文章页数】：64 页
【学位级别】：硕士
【部分图文】：
深度学习在医学影像应用方面的文献发表量
中国地质大学（北京）工程硕士学位论文9下采样：池化层是CNN中重要的创新，其本质是下采样。它的作用是将使一些模糊特征兼具稳定性，令模型性能更加稳固。2.1.2基本网络结构图2-1是CNN的基础架构，由卷积层、池化层和全连接层组成。但在实际应用中，网络会被设计成多种层次交替出现，根据不同情况对网络结构进行调节。由于卷积层中输出特征图的每个神经元与其输入图像仅部分相连，这种连接方式所构成的稀疏链接结构，会有效防止训练容易出现过拟合的现象，减轻训练压力。图2-1卷积神经网络简化结构2.1.2.1卷积层捕捉和提取特征是该层的最主要功能，图片经若干个卷积核运算后，送入激活函数，输出若干特征图，以便在图像分割时捕捉特征信息。卷积过程其实就是通过权重参数矩阵与图像部分区域进行卷积运算再加上固定偏移量，假设第l卷积层中的第i个特征图为lih，limw是lih与上一层的第m个特征图（即l1mh）之间的卷积核，可为N×N的矩阵，其卷积的计算公式如式(2-1)所示，其中M就是上一层特征图的个数，lb表示第l卷积层的固定偏移数值。11*Mlllliimmmhwhb==+(2-1)如图2-2说明了卷积的计算方式，4×4大小的输入图像与3×3的卷积核，以步长为1进行卷积运算，所得到的特征图像。
第二章基于卷积神经网络的图像分割原理10108011110801080108011111127242724卷积运算输出特征图卷积核输入图像图2-2卷积层运算示意图卷积核是一个权重参数矩阵，上文提及的权值共享就是其最重要的特性。不仅能够降低参数的多余开销，简化模型网络，优化训练时长，大大降低了参数的数量，降低复杂度，使得神经网络的存储开销方面要求降低。2.1.2.2激活函数卷积层的输出在正式输入到池化层之前是需要一步操作：将线性转为非线性，以便适用于不同网络的训练需求，打破线性所带来的局限性。那么这一步就是先将其传给激活函数，例如Sigmoid函数、ReLU(Glorot,Bordes,&Bengio,2011)、Tanh函数等。Sigmoid函数、Tanh函数分别可用图2-3和图2-4以及式(2-2)和式(2-3)表示：1()1sxxe=+(2-2)()xxxxeexee=+(2-3)图2-3Sigmoid函数图像图2-4Tanh函数图像图2-3、2-4可知，这两个激活函数均处处可导，但当输入较小或较大时，梯度约为0，因此在反向传播算法计算过程中，逐层对函数偏导相乘时很容易出现梯度消失的问题，造成模型无法收敛。
【参考文献】：
期刊论文
[1]高强度聚焦超声消融术在肿瘤治疗方面的应用进展[J]. 贾淑平,赵亮,蒋荷娟. 中国医疗器械信息. 2019(09)
[2]一种多尺度CNN的图像语义分割算法[J]. 刘丹,刘学军,王美珍. 遥感信息. 2017(01)
[3]妇科疾病的种类及对女性的危害[J]. 杨萍. 中国保健营养. 2013(01)
[4]子宫腺肌症患者子宫内膜-肌层界面雌激素受体变化[J]. 江如,廖丽君. 中国妇幼保健. 2010(21)
[5]超声造影评价高强度聚焦超声治疗子宫腺肌瘤的疗效[J]. 卫春芳,胡兵,姜立新. 中华医学超声杂志(电子版). 2010(01)
[6]医学图像处理技术综述[J]. 周贤善. 福建电脑. 2009(01)
[7]图像分析技术在医学上的应用[J]. 林晓,邱晓嘉. 包头医学院学报. 2005(03)
硕士论文
[1]基于语义分割的食管早癌计算机辅助诊断关键技术研究[D]. 杜笑笑.郑州大学 2019
[2]基于深度语义分割网络的路面状态识别算法研究[D]. 梁曹佳.华中科技大学 2019
[3]基于深度学习的医学图像分割方法研究[D]. 王凯明.中国科学技术大学 2018
[4]基于深度学习的行人检测系统的设计与实现[D]. 王立松.北京交通大学 2018
本文编号：3400332
【文章来源】：中国地质大学(北京)北京市 211工程院校 教育部直属院校
【文章页数】：64 页
【学位级别】：硕士
【部分图文】：
深度学习在医学影像应用方面的文献发表量
中国地质大学（北京）工程硕士学位论文9下采样：池化层是CNN中重要的创新，其本质是下采样。它的作用是将使一些模糊特征兼具稳定性，令模型性能更加稳固。2.1.2基本网络结构图2-1是CNN的基础架构，由卷积层、池化层和全连接层组成。但在实际应用中，网络会被设计成多种层次交替出现，根据不同情况对网络结构进行调节。由于卷积层中输出特征图的每个神经元与其输入图像仅部分相连，这种连接方式所构成的稀疏链接结构，会有效防止训练容易出现过拟合的现象，减轻训练压力。图2-1卷积神经网络简化结构2.1.2.1卷积层捕捉和提取特征是该层的最主要功能，图片经若干个卷积核运算后，送入激活函数，输出若干特征图，以便在图像分割时捕捉特征信息。卷积过程其实就是通过权重参数矩阵与图像部分区域进行卷积运算再加上固定偏移量，假设第l卷积层中的第i个特征图为lih，limw是lih与上一层的第m个特征图（即l1mh）之间的卷积核，可为N×N的矩阵，其卷积的计算公式如式(2-1)所示，其中M就是上一层特征图的个数，lb表示第l卷积层的固定偏移数值。11*Mlllliimmmhwhb==+(2-1)如图2-2说明了卷积的计算方式，4×4大小的输入图像与3×3的卷积核，以步长为1进行卷积运算，所得到的特征图像。
第二章基于卷积神经网络的图像分割原理10108011110801080108011111127242724卷积运算输出特征图卷积核输入图像图2-2卷积层运算示意图卷积核是一个权重参数矩阵，上文提及的权值共享就是其最重要的特性。不仅能够降低参数的多余开销，简化模型网络，优化训练时长，大大降低了参数的数量，降低复杂度，使得神经网络的存储开销方面要求降低。2.1.2.2激活函数卷积层的输出在正式输入到池化层之前是需要一步操作：将线性转为非线性，以便适用于不同网络的训练需求，打破线性所带来的局限性。那么这一步就是先将其传给激活函数，例如Sigmoid函数、ReLU(Glorot,Bordes,&Bengio,2011)、Tanh函数等。Sigmoid函数、Tanh函数分别可用图2-3和图2-4以及式(2-2)和式(2-3)表示：1()1sxxe=+(2-2)()xxxxeexee=+(2-3)图2-3Sigmoid函数图像图2-4Tanh函数图像图2-3、2-4可知，这两个激活函数均处处可导，但当输入较小或较大时，梯度约为0，因此在反向传播算法计算过程中，逐层对函数偏导相乘时很容易出现梯度消失的问题，造成模型无法收敛。
【参考文献】：
期刊论文
[1]高强度聚焦超声消融术在肿瘤治疗方面的应用进展[J]. 贾淑平,赵亮,蒋荷娟. 中国医疗器械信息. 2019(09)
[2]一种多尺度CNN的图像语义分割算法[J]. 刘丹,刘学军,王美珍. 遥感信息. 2017(01)
[3]妇科疾病的种类及对女性的危害[J]. 杨萍. 中国保健营养. 2013(01)
[4]子宫腺肌症患者子宫内膜-肌层界面雌激素受体变化[J]. 江如,廖丽君. 中国妇幼保健. 2010(21)
[5]超声造影评价高强度聚焦超声治疗子宫腺肌瘤的疗效[J]. 卫春芳,胡兵,姜立新. 中华医学超声杂志(电子版). 2010(01)
[6]医学图像处理技术综述[J]. 周贤善. 福建电脑. 2009(01)
[7]图像分析技术在医学上的应用[J]. 林晓,邱晓嘉. 包头医学院学报. 2005(03)
硕士论文
[1]基于语义分割的食管早癌计算机辅助诊断关键技术研究[D]. 杜笑笑.郑州大学 2019
[2]基于深度语义分割网络的路面状态识别算法研究[D]. 梁曹佳.华中科技大学 2019
[3]基于深度学习的医学图像分割方法研究[D]. 王凯明.中国科学技术大学 2018
[4]基于深度学习的行人检测系统的设计与实现[D]. 王立松.北京交通大学 2018
本文编号：3400332
本文链接：https://www.wllwen.com/yixuelunwen/fuchankeerkelunwen/3400332.html
最近更新
教材专著
