基于深度学习的脑肿瘤MRI分类与分割技术研究
发布时间：2021-07-22 09:42
脑肿瘤是威胁人类生命安全的常见肿瘤之一。统计资料表明,中国已是脑肿瘤发病人数和死亡人数的世界第一,脑肿瘤诊断复杂,难以治疗。磁共振成像（MRI）十分适合人体脑部组织的成像,对脑肿瘤的检测、分析具有重要的意义。影像科医生可以通过阅读MRI图像初步判断脑肿瘤是否存在以及具体发展情况,但MRI图像数量较大,且有伪影等干扰,纯粹依赖人工判断费时费力,且有漏诊、误诊的风险。以医学图像分析为代表的计算机辅助治疗能够帮助医生阅读MRI图像,其中图像分类技术能够辅助判断脑肿瘤的类别,而图像分割技术能够辅助确定肿瘤的形态和位置,这些技术能够提高脑肿瘤诊治的效率,进而辅助脑肿瘤患者的救助。近年来,传统的图像分类和分割方法逐渐被深度学习方法取代。深度学习方法不需要向传统方法那样人工提取特征,不存在因先验知识导致的差异。本文利用深度学习、计算机视觉相关技术,对脑肿瘤MRI图像分类和分割技术进行研究,具体工作如下:1、对公共数据平台上的脑肿瘤MRI图像分类和分割数据集进行了分类和预处理,使数据集得到扩增并调整到模型需要的尺寸。2、提出了多深度结合的残差网络。通过对残差网络模型以及数据集防范过拟合风险的分析,将残...
【文章来源】：浙江大学浙江省 211工程院校 985工程院校 教育部直属院校
【文章页数】：70 页
【学位级别】：硕士
【部分图文】：
三层神经网络
浙江大学硕士学位论文第2章相关技术综述12图2.3卷积计算时元素对应计算过程在实际计算中，可以将输出数组与一个偏差值相加，作为下一层的输入。填充是指在输入高和宽的两侧填充元素（通常是0元素）。图2.4填充0元素的卷积计算如果在纵向填充的行数为ph行，在横向填充的列数为pw列，那么输出结果矩阵的尺寸将会是：1()(1)hhhwwwnkpnkp(1)也就是说，输出的高和宽会分别增加ph和pw。在很多情况下，我们会设置ph=kh1和pw=kw1来使输入和输出具有相同的高和宽。这样会方便在构造网络时推测每个层的输出形状。假设这里kh是奇数，我们会在高的两侧分别填充ph/2行。如果kh是偶数，一种可能是在输入的顶端一侧填充ph/2行，而在底端一侧填充ph/2行。在宽的两侧填充同理。卷积神经网络经常使用奇数高宽的卷积核，如1、3、5和7，所以两端上的填充个数相等。对任意的二维数组X，设它的第i行、第j列的元素为Xij。当两端上的填充个数相等，并使输入和输出具有相同的高和宽时，我们就知道输出Yij是由输入以Xij为中心的窗口同卷积核进行互相关计算得到的。卷积窗口从输入数组的最左上方开始，按从左往右、从上往下的顺序，依次
浙江大学硕士学位论文第2章相关技术综述12图2.3卷积计算时元素对应计算过程在实际计算中，可以将输出数组与一个偏差值相加，作为下一层的输入。填充是指在输入高和宽的两侧填充元素（通常是0元素）。图2.4填充0元素的卷积计算如果在纵向填充的行数为ph行，在横向填充的列数为pw列，那么输出结果矩阵的尺寸将会是：1()(1)hhhwwwnkpnkp(1)也就是说，输出的高和宽会分别增加ph和pw。在很多情况下，我们会设置ph=kh1和pw=kw1来使输入和输出具有相同的高和宽。这样会方便在构造网络时推测每个层的输出形状。假设这里kh是奇数，我们会在高的两侧分别填充ph/2行。如果kh是偶数，一种可能是在输入的顶端一侧填充ph/2行，而在底端一侧填充ph/2行。在宽的两侧填充同理。卷积神经网络经常使用奇数高宽的卷积核，如1、3、5和7，所以两端上的填充个数相等。对任意的二维数组X，设它的第i行、第j列的元素为Xij。当两端上的填充个数相等，并使输入和输出具有相同的高和宽时，我们就知道输出Yij是由输入以Xij为中心的窗口同卷积核进行互相关计算得到的。卷积窗口从输入数组的最左上方开始，按从左往右、从上往下的顺序，依次
【参考文献】：
期刊论文
[1]中国肿瘤患者临终关怀情况变迁——2000年～2019年文献数据分析[J]. 郭婵媛,葛文杰,缪群芳. 医学与哲学. 2019(16)
[2]卷积神经网络（CNN）训练中卷积核初始化方法研究[J]. 朱继洪,裴继红,赵阳. 信号处理. 2019(04)
[3]A critical reflection on improving effective team communication[J]. Hua Yang. Frontiers of Nursing. 2019(01)
[4]深度学习优缺点的剖析[J]. 孙晖. 电子制作. 2018(18)
[5]图像语义分割问题研究综述[J]. 肖朝霞,陈胜. 软件导刊. 2018(08)
[6]基于深度学习的医学图像识别研究进展[J]. 刘飞,张俊然,杨豪. 中国生物医学工程学报. 2018(01)
[7]2014年中国分地区恶性肿瘤发病和死亡分析[J]. 陈万青,孙可欣,郑荣寿,张思维,曾红梅,邹小农,赫捷. 中国肿瘤. 2018(01)
[8]Rasmussen综合征影像学表现1例[J]. 陈士新,刘海,万涛,许华. 磁共振成像. 2017(12)
[9]深层网络中的梯度消失现象[J]. 周祥全,张津. 科技展望. 2017(27)
[10]如何防止和减少电镀过程中的磕碰[J]. 李飞,张涛,张国范,李云,秦宇. 电镀与涂饰. 2017(15)
博士论文
[1]光谱成像技术在脑肿瘤病理诊断应用中的研究[D]. 魏巍.中国科学院研究生院(长春光学精密机械与物理研究所) 2015
硕士论文
[1]基于卷积神经网络的模型在医学图像中的应用研究[D]. 卓俊宇.西北师范大学 2018
[2]非局部均值滤波去除图像高斯噪声的研究[D]. 常宁赫.西安电子科技大学 2015
[3]CT/MRI医学影像分割算法研究[D]. 刘玲玲.天津医科大学 2013
[4]基于SVM图像分类方法的研究[D]. 吴小季.南京信息工程大学 2011
[5]图像缩放算法研究及其FPGA实现[D]. 林媛.厦门大学 2006
[6]功能磁共振成像对脑肿瘤诊断的临床研究[D]. 季倩.东南大学 2004
本文编号：3296913
【文章来源】：浙江大学浙江省 211工程院校 985工程院校 教育部直属院校
【文章页数】：70 页
【学位级别】：硕士
【部分图文】：
三层神经网络
浙江大学硕士学位论文第2章相关技术综述12图2.3卷积计算时元素对应计算过程在实际计算中，可以将输出数组与一个偏差值相加，作为下一层的输入。填充是指在输入高和宽的两侧填充元素（通常是0元素）。图2.4填充0元素的卷积计算如果在纵向填充的行数为ph行，在横向填充的列数为pw列，那么输出结果矩阵的尺寸将会是：1()(1)hhhwwwnkpnkp(1)也就是说，输出的高和宽会分别增加ph和pw。在很多情况下，我们会设置ph=kh1和pw=kw1来使输入和输出具有相同的高和宽。这样会方便在构造网络时推测每个层的输出形状。假设这里kh是奇数，我们会在高的两侧分别填充ph/2行。如果kh是偶数，一种可能是在输入的顶端一侧填充ph/2行，而在底端一侧填充ph/2行。在宽的两侧填充同理。卷积神经网络经常使用奇数高宽的卷积核，如1、3、5和7，所以两端上的填充个数相等。对任意的二维数组X，设它的第i行、第j列的元素为Xij。当两端上的填充个数相等，并使输入和输出具有相同的高和宽时，我们就知道输出Yij是由输入以Xij为中心的窗口同卷积核进行互相关计算得到的。卷积窗口从输入数组的最左上方开始，按从左往右、从上往下的顺序，依次
浙江大学硕士学位论文第2章相关技术综述12图2.3卷积计算时元素对应计算过程在实际计算中，可以将输出数组与一个偏差值相加，作为下一层的输入。填充是指在输入高和宽的两侧填充元素（通常是0元素）。图2.4填充0元素的卷积计算如果在纵向填充的行数为ph行，在横向填充的列数为pw列，那么输出结果矩阵的尺寸将会是：1()(1)hhhwwwnkpnkp(1)也就是说，输出的高和宽会分别增加ph和pw。在很多情况下，我们会设置ph=kh1和pw=kw1来使输入和输出具有相同的高和宽。这样会方便在构造网络时推测每个层的输出形状。假设这里kh是奇数，我们会在高的两侧分别填充ph/2行。如果kh是偶数，一种可能是在输入的顶端一侧填充ph/2行，而在底端一侧填充ph/2行。在宽的两侧填充同理。卷积神经网络经常使用奇数高宽的卷积核，如1、3、5和7，所以两端上的填充个数相等。对任意的二维数组X，设它的第i行、第j列的元素为Xij。当两端上的填充个数相等，并使输入和输出具有相同的高和宽时，我们就知道输出Yij是由输入以Xij为中心的窗口同卷积核进行互相关计算得到的。卷积窗口从输入数组的最左上方开始，按从左往右、从上往下的顺序，依次
【参考文献】：
期刊论文
[1]中国肿瘤患者临终关怀情况变迁——2000年～2019年文献数据分析[J]. 郭婵媛,葛文杰,缪群芳. 医学与哲学. 2019(16)
[2]卷积神经网络（CNN）训练中卷积核初始化方法研究[J]. 朱继洪,裴继红,赵阳. 信号处理. 2019(04)
[3]A critical reflection on improving effective team communication[J]. Hua Yang. Frontiers of Nursing. 2019(01)
[4]深度学习优缺点的剖析[J]. 孙晖. 电子制作. 2018(18)
[5]图像语义分割问题研究综述[J]. 肖朝霞,陈胜. 软件导刊. 2018(08)
[6]基于深度学习的医学图像识别研究进展[J]. 刘飞,张俊然,杨豪. 中国生物医学工程学报. 2018(01)
[7]2014年中国分地区恶性肿瘤发病和死亡分析[J]. 陈万青,孙可欣,郑荣寿,张思维,曾红梅,邹小农,赫捷. 中国肿瘤. 2018(01)
[8]Rasmussen综合征影像学表现1例[J]. 陈士新,刘海,万涛,许华. 磁共振成像. 2017(12)
[9]深层网络中的梯度消失现象[J]. 周祥全,张津. 科技展望. 2017(27)
[10]如何防止和减少电镀过程中的磕碰[J]. 李飞,张涛,张国范,李云,秦宇. 电镀与涂饰. 2017(15)
博士论文
[1]光谱成像技术在脑肿瘤病理诊断应用中的研究[D]. 魏巍.中国科学院研究生院(长春光学精密机械与物理研究所) 2015
硕士论文
[1]基于卷积神经网络的模型在医学图像中的应用研究[D]. 卓俊宇.西北师范大学 2018
[2]非局部均值滤波去除图像高斯噪声的研究[D]. 常宁赫.西安电子科技大学 2015
[3]CT/MRI医学影像分割算法研究[D]. 刘玲玲.天津医科大学 2013
[4]基于SVM图像分类方法的研究[D]. 吴小季.南京信息工程大学 2011
[5]图像缩放算法研究及其FPGA实现[D]. 林媛.厦门大学 2006
[6]功能磁共振成像对脑肿瘤诊断的临床研究[D]. 季倩.东南大学 2004
本文编号：3296913
本文链接：https://www.wllwen.com/yixuelunwen/shenjingyixue/3296913.html
最近更新
教材专著
