基于卷积神经网络的脑肿瘤分割算法研究

发布时间：2020-12-23 20:30

　　核磁共振(magnetic resonance imaging,MRI)成像是目前医学影像中重要的一种成像技术,能为脑肿瘤的临床诊断和治疗提供清晰的图像显示。临床上通常采用手动标定方法分割脑肿瘤区域,该方法耗时费力,且具有很大的主观性。因此,如何实现MRI脑肿瘤图像的自动分割成为近年来研究的热点和难点。本文将深度学习中的卷积神经网络模型应用在脑肿瘤分割领域,达到了良好的分割效果。(1)提出一种结合卷积神经网络(convolution neural network,CNN)和模糊系统的脑肿瘤分割算法。首先,分别针对FLAIR和T2两种类型的单模态图像,构建适用于该类型图像的卷积神经网络。其次,针对FLAIR和T2图像,分别应用其对应的卷积神经网络模型进行预测,并将得到的预测概率通过非线性映射进行处理。最终,构建模糊推理系统,将FLAIR和T2图像经过非线性映射后的概率作为模糊推理系统的输入来判断该像素点是否属于肿瘤区域。(2)针对卷积神经网络具有的缺点,提出一种基于改进的全卷积神经网络(fully convolution network,FCN)的脑肿瘤分割算法。首先,将FlAIR、T1... 

【文章来源】：天津大学天津市 211工程院校 985工程院校 教育部直属院校

【文章页数】：59 页

【学位级别】：硕士

【部分图文】：

输入输出关系图

图 5-6 三种全卷积神经网络模型分割结果比较结果图表 5-1 三种 FCN 模型分割比较结果方法 DSC Sensitivity PositiveFCN-32s 0.75 0.73 0.77

【参考文献】：
期刊论文
[1]基于深度学习的颈动脉超声图像内中膜厚度测量[J]. 孙萍,李锵,关欣,滕建辅.  国际生物医学工程杂志. 2016 (05)
[2]改进粒子群优化的分段在线盲信号分离算法[J]. 王哲,张立毅,陈雷,李锵.  计算机科学与探索. 2017(03)
[3]A Survey of MRI-Based Brain Tumor Segmentation Methods[J]. Jin Liu,Min Li,Jianxin Wang,Fangxiang Wu,Tianming Liu,Yi Pan.  Tsinghua Science and Technology. 2014(06)
[4]基于多模态3D-CNNs特征提取的MRI脑肿瘤分割方法[J]. 罗蔓,黄靖,杨丰.  科学技术与工程. 2014(31)
[5]基于MRI的脑肿瘤分割技术研究进展[J]. 万俊,聂生东,王远军.  中国医学物理学杂志. 2013(04)
[6]基于水平集的三维脑部肿瘤分割[J]. 薛晓君,张立强,薛忠,杨建华.  计算机技术与发展. 2010(12)
[7]Chan-Vese模型下的脑肿瘤图像分割方法[J]. 许存禄,高佳,武国德.  计算机工程与应用. 2010(09)



本文编号：2934314