基于跨模态的急性缺血性卒中分割模型研究

发布时间：2022-01-27 07:33

　　急性缺血性卒中是常见脑血管疾病脑中风的一种,准确地发现并及时治疗缺血区域是降低患者残疾和死亡风险的关键。目前磁共振成像（MRI）是临床诊断脑中风最常用的方法,但急性缺血性卒中的病灶在MRI上存在边界模糊、伪影较多、大小和位置多变的现象,导致影像专家对病灶的手动分割繁琐耗时,从而出现误诊或漏诊。传统图像分割方法中的部分关键参数由专业医师根据自身经验确定,导致图像分割结果不严谨且精度低。近年来,深度学习技术自动学习图像特征的方法已得到广泛应用,该方法能够有效地辅助医生提高急性缺血性卒中的诊断准确率。本文针对急性缺血性卒中的MRI图像特征和基于深度学习的图像分割技术开展研究,以提高急性缺血性卒中病灶的分割精度为目标,主要的研究工作和贡献如下:1、构造融合Cycle GAN的编码器-解码器分割模型。该模型的工作原理如下:生成对抗网络Cycle GAN利用生成器和鉴别器实现急性缺血性卒中CT和MRI图像的跨模态转换,生成器通过对抗训练合成使鉴别器误判为真实图像的合成图像,该合成图像为编码器和解码器提供更丰富的语义信息。编码器利用空洞空间金字塔池化操作融合图像的高级语义信息,解码器通过上采样提取图... 

【文章来源】：郑州大学河南省211工程院校

【文章页数】：71 页

【学位级别】：硕士

【部分图文】：

论文主要研究内容

2图像分割相关内容研究11广泛的应用和发展。深度学习模型有三种深度结构，分别为生成性深度结构、区分性深度结构以及混合型结构[51]。其中生成性结构包括受限玻尔兹曼机（RestrictedBoltzmannMachine,RBM）、深度玻尔兹曼机（DeepBoltzmannMachine,DBM）和深信度网络（DeepBeliefNetwork,DBN）等；区分性深度结构以卷积神经网络（ConvolutionalNeuralNetwork,CNN）为主要代表；混合型结构将生成性深度结构和区分性深度结构相融合完成目标任务。区分性深度结构的CNN以无需人为干预、自动学习图像特征并实现端到端的全自动图像处理等优势得到了广泛的应用。图2.2展示了本文语义分割算法的基本流程图。由流程图可以看出语义分割模型首先要在像素级上对急性缺血性卒中的DWI图像进行语义标注，然后用已标注DWI图像和原始DWI图像共同训练语义分割网络模型。图2.1DWI图像中急性缺血性卒中病灶的各种形式

2图像分割相关内容研究12图2.2语义分割算法流程2.2.1基于卷积神经网络的图像分割方法人们早在二十世纪80至90年代就开始了对卷积神经网络的研究，其中时间延迟网络和LeNet-5为最早期CNN的典型代表。CNN根据仿造生物的视知觉（visualperception）原理构造监督学习和非监督学习两种类型的网络。Fukushima等[52]在1980年首次提出自组织的多层神经网络模型Neocognitron，该模型做检测任务时不受目标图像的位置、大小以及形状变化的影响。1998年，Lecun等[53]在梯度反向传播的基础上提出LeNet-5网络，该网络在手写字符识别领域取得了极大的成果。2012年，Krizhevsky等[54]提出的卷积神经网络AlexNet在大型图像数据库ImageNet的分类任务中取得冠军。目前，CNN技术飞速发展，AlexNet和另一经典网络VGGNet[55]被广泛应用于计算机视觉、自然语言处理以及图像处理等多种领域。下面给出基于CNN的急性缺血性卒中病灶分割算法流程：首先使用CNN网络模型对训练样本中的像素点或者图像块进行灰度、纹理等特征的提取；接

【参考文献】：
期刊论文
[1]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)
[2]医学影像计算机辅助检测与诊断系统综述[J]. 郑光远,刘峡壁,韩光辉.  软件学报. 2018(05)
[3]Brain MRI Segmentation Using KFCM and Chan-Vese Model[J]. 吴一全,侯雯,吴诗婳.  Transactions of Tianjin University. 2011(03)



本文编号：3612054