基于卷积神经网络的MRI脑肿瘤图像分割方法研究

发布时间：2021-05-06 13:58

　　在脑肿瘤中,神经胶质瘤是最为常见的肿瘤,也是最具侵略性的肿瘤,高等级的神经胶质瘤会致使病人不久于人世。因此,针对于肿瘤的治疗计划是提高肿瘤病人生活质量的重中之重。高级肿瘤是发生最为频繁的首要脑部癌症。每年有85%的新案例被诊断为恶性的高级肿瘤。MRI在脑肿瘤检测和治疗计划中起着重要作用。特别是,精确地画出肿瘤的可见渗出物的边界轮廓能够有效帮助量化病变尺寸和纵向数据的累计率。然而,被记录下的非均匀介质的复杂的高等级肿瘤的形状是能够被获得的,但由于它们的高扩散和增值率以及外观的可变性,使得包括了所有完整的部分的肿瘤分割变得更具挑战性。核磁共振成像在评估肿瘤应用中是极其有效的技术。使用神经影像技术来诊断脑肿瘤、检测可见的以及不可见的肿瘤细胞渗透物的边界,使得不同的肿瘤分割算法的出现产生了动机。由于记录下的肿瘤的外观和形状有着强大的变异性,使得自动化分割变得十分困难。本论文中,为了分割病变的肿瘤,我们单独训练了卷积神经网络和支持向量机两个分类模型,并使用这两个模型进行分割。随着研究的深入,本文提出了一种基于卷积神经网络迁移学习到支持向量机分类器的方法,同时捕捉它们完整的特征。我们的框架由两个串... 

【文章来源】：山东师范大学山东省

【文章页数】：56 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 选题背景及研究意义
    1.2 国内外研究现状
    1.3 主要工作及创新点
第二章 基于卷积神经网络的脑肿瘤图像分割
    2.1 卷积神经网络
    2.2 卷积神经网络的基本组成部分
    2.3 卷积神经网络的算法组成部分
        2.3.1 预处理
        2.3.2 激活函数
        2.3.3 池化
        2.3.4 规则化
        2.3.5 损失函数
        2.3.6 随机梯度下降算法
    2.4 实验设置及图像分割
        2.4.1 分割的评估标准
        2.4.2 块提取
        2.4.3 构建卷积神经网络模型
        2.4.4 分割结果
第三章 基于支持向量机的脑肿瘤图像分割
    3.1 支持向量机理论
        3.1.1 线性可分的最优分类面
            3.1.1.1 广义最优分类面
            3.1.1.2 优化求解
            3.1.1.3 构造判别函数
        3.1.2 线性不可分的最优分类面
        3.1.3 核函数
    3.2 实验分析与结论
        3.2.1 训练样本获取
        3.2.2 分割参数选择及其设置
        3.2.3 图像分割结果
第四章 基于深层的CNN迁移学习到SVM的MRI脑肿瘤分割
    4.1 迁移学习
    4.2 深层的CNN迁移学习到SVM模型构建
    4.3 图像分割及对比分析
第五章 工作总结与展望
参考文献
攻读硕士学位期间发表的学术论文
致谢


【参考文献】：
博士论文
[1]基于支持向量机方法的图像分割与目标分类[D]. 徐海祥.华中科技大学 2005

硕士论文
[1]基于支持向量机的医学图像分割[D]. 李涟凤.兰州大学 2010



本文编号：3172043