基于深度对抗网络的脑肿瘤语义分割研究
发布时间：2021-01-10 03:34
脑肿瘤是由生长在大脑内部癌细胞过度增长造成的,致死率很高。由于脑肿瘤具有形状多样、大小和位置不同的特点,对医生诊断脑肿瘤病情造成很大的难度。为了多角度分析脑肿瘤数据,本文采用分辨率高、多参数成像的磁共振成像图像作为我们的研究对象。同时,分割方法研究受到深度学习的影响进一步发展,如基于图像的阈值、边缘分割方法等发展到基于深度卷积神经网络的分割算法,这些技术的进步促进了医学人工智能领域的发展。脑肿瘤自动语义分割能够帮助医生分析病情、辅助诊断和制定后续手术计划,因此提升脑肿瘤语义分割精度具有重要研究意义。研究中发现脑肿瘤语义分割精度受到模型设计以及样本类别不平衡的影响,导致当前研究方法存在分割精度有限和细粒度目标分割困难的问题。基于此,本论文进行了以下三个方面的研究工作,阐述如下:1.研究采用全卷积网络模型进行脑肿瘤语义分割,提出了能够有效减轻类别不平衡对脑肿瘤分割精度影响的新损失函数。该损失函数约束模型集中注意力学习困难样本的有效特征,加快模型对样本的学习,从而提升模型的分类精度。实验结果证明,该方法对于提高脑肿瘤语义分割精度和分割效率是有效的。2.研究采用基于全卷积网络的深度对抗模型提升...
【文章来源】：重庆理工大学重庆市
【文章页数】：72 页
【学位级别】：硕士
【部分图文】：
人工分割的脑肿瘤区域
重庆理工大学硕士学位论文16其中，图3-1中黄色表示水肿区，红色表示非增强肿瘤区，蓝色表示增强肿瘤区，绿色表示坏死区。为了验证MRI图像数据集中存在类别不平衡的情况，我们又分别统计了随机抽取的MRI图像肿瘤标签数据，结果如下图所示：图3-2正常组织和脑肿瘤病灶区对比图3-3脑肿瘤病灶区各分类区域对比其中，图3-2展示了患者的脑肿瘤MRI图像中占比达到97%正常组织与占比3%病灶区区域形成了明显对比，正常组织是脑肿瘤病灶区的32.33倍左右。图3-3脑肿瘤病灶区各分类区域对比表示脑肿瘤内部区域分类情况占比，其中水肿区占比54%，坏死区和非增强肿瘤区相比区域占比43%，而增强肿瘤区只有3%，三者之比为18.00:14.33:1.00,类内不平衡的问题也普遍存在。类别不平衡严重影响脑肿瘤分割精度，对于算法的通用性和鲁棒性检测影响极大。因此，我们将研究损失函数来减轻类别不平衡对模型分类精度的影响。在脑肿瘤图像语义分割实验评判标准中，通过比较以下三个区域的得分情况，判断算法的性能。第一个区域，称为整体肿瘤区（WholeTumorArea,WT），包含水肿区、增强肿瘤区、非增强肿瘤区和坏死区。第二个区域，称为肿瘤核心区（TumorCoreArea,TC），包含非增强肿瘤区和坏死区。第三个区域则是称为增强肿瘤区（EnhanceTumorArea,ET），仅包含增强肿瘤区。具体评价指标，请看3.1.2章节。3.1.1.3数据集划分我们采用的数据集是BraTS2018，其中包含来自19个医疗结构的285例患者数据（210例高级胶质瘤患者数据和75例低级胶质瘤患者数据）。在BraTS2018数据集中，对于每例患者数据，包含四个模态（T1模态，T2模态，T1Gd模态和FLAIR模态），并且每个模态都包含155张患者切片图像。我们试验观察发现，患者切片中位于前四十五和后四十五张中有效信息很少?
重庆理工大学硕士学位论文16其中，图3-1中黄色表示水肿区，红色表示非增强肿瘤区，蓝色表示增强肿瘤区，绿色表示坏死区。为了验证MRI图像数据集中存在类别不平衡的情况，我们又分别统计了随机抽取的MRI图像肿瘤标签数据，结果如下图所示：图3-2正常组织和脑肿瘤病灶区对比图3-3脑肿瘤病灶区各分类区域对比其中，图3-2展示了患者的脑肿瘤MRI图像中占比达到97%正常组织与占比3%病灶区区域形成了明显对比，正常组织是脑肿瘤病灶区的32.33倍左右。图3-3脑肿瘤病灶区各分类区域对比表示脑肿瘤内部区域分类情况占比，其中水肿区占比54%，坏死区和非增强肿瘤区相比区域占比43%，而增强肿瘤区只有3%，三者之比为18.00:14.33:1.00,类内不平衡的问题也普遍存在。类别不平衡严重影响脑肿瘤分割精度，对于算法的通用性和鲁棒性检测影响极大。因此，我们将研究损失函数来减轻类别不平衡对模型分类精度的影响。在脑肿瘤图像语义分割实验评判标准中，通过比较以下三个区域的得分情况，判断算法的性能。第一个区域，称为整体肿瘤区（WholeTumorArea,WT），包含水肿区、增强肿瘤区、非增强肿瘤区和坏死区。第二个区域，称为肿瘤核心区（TumorCoreArea,TC），包含非增强肿瘤区和坏死区。第三个区域则是称为增强肿瘤区（EnhanceTumorArea,ET），仅包含增强肿瘤区。具体评价指标，请看3.1.2章节。3.1.1.3数据集划分我们采用的数据集是BraTS2018，其中包含来自19个医疗结构的285例患者数据（210例高级胶质瘤患者数据和75例低级胶质瘤患者数据）。在BraTS2018数据集中，对于每例患者数据，包含四个模态（T1模态，T2模态，T1Gd模态和FLAIR模态），并且每个模态都包含155张患者切片图像。我们试验观察发现，患者切片中位于前四十五和后四十五张中有效信息很少?
本文编号：2967978
【文章来源】：重庆理工大学重庆市
【文章页数】：72 页
【学位级别】：硕士
【部分图文】：
人工分割的脑肿瘤区域
重庆理工大学硕士学位论文16其中，图3-1中黄色表示水肿区，红色表示非增强肿瘤区，蓝色表示增强肿瘤区，绿色表示坏死区。为了验证MRI图像数据集中存在类别不平衡的情况，我们又分别统计了随机抽取的MRI图像肿瘤标签数据，结果如下图所示：图3-2正常组织和脑肿瘤病灶区对比图3-3脑肿瘤病灶区各分类区域对比其中，图3-2展示了患者的脑肿瘤MRI图像中占比达到97%正常组织与占比3%病灶区区域形成了明显对比，正常组织是脑肿瘤病灶区的32.33倍左右。图3-3脑肿瘤病灶区各分类区域对比表示脑肿瘤内部区域分类情况占比，其中水肿区占比54%，坏死区和非增强肿瘤区相比区域占比43%，而增强肿瘤区只有3%，三者之比为18.00:14.33:1.00,类内不平衡的问题也普遍存在。类别不平衡严重影响脑肿瘤分割精度，对于算法的通用性和鲁棒性检测影响极大。因此，我们将研究损失函数来减轻类别不平衡对模型分类精度的影响。在脑肿瘤图像语义分割实验评判标准中，通过比较以下三个区域的得分情况，判断算法的性能。第一个区域，称为整体肿瘤区（WholeTumorArea,WT），包含水肿区、增强肿瘤区、非增强肿瘤区和坏死区。第二个区域，称为肿瘤核心区（TumorCoreArea,TC），包含非增强肿瘤区和坏死区。第三个区域则是称为增强肿瘤区（EnhanceTumorArea,ET），仅包含增强肿瘤区。具体评价指标，请看3.1.2章节。3.1.1.3数据集划分我们采用的数据集是BraTS2018，其中包含来自19个医疗结构的285例患者数据（210例高级胶质瘤患者数据和75例低级胶质瘤患者数据）。在BraTS2018数据集中，对于每例患者数据，包含四个模态（T1模态，T2模态，T1Gd模态和FLAIR模态），并且每个模态都包含155张患者切片图像。我们试验观察发现，患者切片中位于前四十五和后四十五张中有效信息很少?
重庆理工大学硕士学位论文16其中，图3-1中黄色表示水肿区，红色表示非增强肿瘤区，蓝色表示增强肿瘤区，绿色表示坏死区。为了验证MRI图像数据集中存在类别不平衡的情况，我们又分别统计了随机抽取的MRI图像肿瘤标签数据，结果如下图所示：图3-2正常组织和脑肿瘤病灶区对比图3-3脑肿瘤病灶区各分类区域对比其中，图3-2展示了患者的脑肿瘤MRI图像中占比达到97%正常组织与占比3%病灶区区域形成了明显对比，正常组织是脑肿瘤病灶区的32.33倍左右。图3-3脑肿瘤病灶区各分类区域对比表示脑肿瘤内部区域分类情况占比，其中水肿区占比54%，坏死区和非增强肿瘤区相比区域占比43%，而增强肿瘤区只有3%，三者之比为18.00:14.33:1.00,类内不平衡的问题也普遍存在。类别不平衡严重影响脑肿瘤分割精度，对于算法的通用性和鲁棒性检测影响极大。因此，我们将研究损失函数来减轻类别不平衡对模型分类精度的影响。在脑肿瘤图像语义分割实验评判标准中，通过比较以下三个区域的得分情况，判断算法的性能。第一个区域，称为整体肿瘤区（WholeTumorArea,WT），包含水肿区、增强肿瘤区、非增强肿瘤区和坏死区。第二个区域，称为肿瘤核心区（TumorCoreArea,TC），包含非增强肿瘤区和坏死区。第三个区域则是称为增强肿瘤区（EnhanceTumorArea,ET），仅包含增强肿瘤区。具体评价指标，请看3.1.2章节。3.1.1.3数据集划分我们采用的数据集是BraTS2018，其中包含来自19个医疗结构的285例患者数据（210例高级胶质瘤患者数据和75例低级胶质瘤患者数据）。在BraTS2018数据集中，对于每例患者数据，包含四个模态（T1模态，T2模态，T1Gd模态和FLAIR模态），并且每个模态都包含155张患者切片图像。我们试验观察发现，患者切片中位于前四十五和后四十五张中有效信息很少?
本文编号：2967978
本文链接：https://www.wllwen.com/yixuelunwen/shenjingyixue/2967978.html
最近更新
教材专著
