改进堆叠级联网络在脑肿瘤分割的研究与实现

发布时间：2021-03-14 16:03

　　众所周知,深度学习的方法已经广泛地被应用到图像处理领域,其中以Unet为代表的全卷积网络已被广泛用于医学图像分割领域,它曾是2015年获得ISBI细胞追踪挑战赛冠军网络。但是它在用于处理复杂的医学图像（例如脑部MRI）方面表现效果不佳。为了使用Unet的特性来实现更好的分割性能,许多研究人员对堆叠Unet给予了更多的关注。但是,存在两个棘手的问题,其一,堆叠过程导致参数数量大大增加,在考虑精度和效率之间的权衡时,这并不是一个好的选择。另一个更为棘手的问题是,随着网络深度的增加,会导致梯度消失和信息丢失的概率增大。为了解决这些问题,在本文中,我们试图改进Unet的网络结构,使其更适用于脑肿瘤图像分割任务。首先构建了一个更适合堆叠的基础块SRNet,它是对原始Unet的改进,它在编码和解码过程中每一层级只进行1次卷积运算,保留了编码和解码之间的复制和裁剪的操作。SRNet的主要优点是:与原始Unet相比,参数数量减少了4/5以上。其次,我们提出了在堆叠级联网络之间建立桥连接,我们试图在堆叠级联网络内部建立一系列的“桥梁”,显性且充分地利用网络下采样过程中所有可用的信息,它们不仅可以增强网络... 

【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校

【文章页数】：81 页

【学位级别】：硕士

【部分图文】：

脑MRI图像

图像去噪频域去噪的算法原理是在频域中去处理图像，也就是说变换相应的系数后，在

直方图双峰法但有些时候，图像中背景和物体的对比度很难处处相同，则上述普通阈值分割


本文编号：3082503