基于深度信任网络的脑肿瘤提取方法的研究与实现

发布时间：2021-09-25 02:29

　　脑肿瘤疾病的高发病率和多发性引起了人们对这一类疾病的高度重视,所以对于这方面的研究意义重大。随着计算机辅助医疗诊断在医学领域的广泛使用,对于脑肿瘤的精确分割成为脑肿瘤疾病辅助诊断的关键步骤,它能够为临床医生和研究人员提供肿瘤的大小、位置以及病变类型等有效信息,同时精确的定位脑肿瘤和直观的脑肿瘤病理分析,使得脑肿瘤疾病的治疗方案具备可靠的依据。在目前的临床诊断过程中,很大程度上都是依靠临床医生的经验来人工的手动分割脑肿瘤,这种方法容易受主观判断的影响且结果准确度不高。因此在本论文中提出了一个自动高效的脑肿瘤提取方法。近年来,多种深度学习方法在医学图像领域的使用为论文所提出模型提供了理论和技术支持。在本文中,首先介绍了目前深度学习在医学图像处理方面的相关研究,然后结合深度信任网络的基本思想和分类特性来引入本文的关键技术,并以此为支撑提出了基于深度信任网络的脑肿瘤提取模型。该模型由脑图像的预处理、基于深度信任网络的脑肿瘤分割和脑肿瘤提取三个部分构成。每一部分的主要研究内容如下:1)针对不同数据源和多种格式的数据做了图像预处理,这一处理过程主要包括图像配准颅骨剥离、图像降噪以及图像增强三个方面... 

【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

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 引言
    1.2 研究工作的背景和意义
    1.3 国内外研究历史和现状
    1.4 论文主要研究内容和创新点
    1.5 论文组织结构
第二章 深度信任网络和脑部数据介绍
    2.1 深度信任网络的基本思想
    2.2 传统深度信任网络图像分类的实现
        2.2.1 分类思想
        2.2.2 基于深度信任网络的手写数字图像分类
    2.3 临床MRI图像和BRATS数据集
        2.3.1 临床MRI图像
        2.3.2 BRATS数据集
    2.4 本章小结
第三章 基于深度信任网络的脑肿瘤提取模型
    3.1 脑部医学图像的预处理
        3.1.1 图像配准和颅骨剥离
        3.1.2 图像滤波
        3.1.3 图像增强
    3.2 基于深度信任网络的脑肿瘤分割
        3.2.1 图像训练集生成
        3.2.2 基于深度信任网络的脑肿瘤图像分类
        3.2.3 分类映射提取
    3.3 脑肿瘤提取
        3.3.1 稀疏型阈值分割
        3.3.2 边缘型腐蚀膨胀
        3.3.3 稠密型二次提取
    3.4 本章小结
第四章 基于DBN-BTE的单分类脑肿瘤提取方法
    4.1 图像的预处理
        4.1.1 图像去噪
        4.1.2 图像直方图处理
    4.2 基于DBN-BTE的脑肿瘤单分类
        4.2.1 图像块提取
        4.2.2 脑肿瘤分类
    4.3 单分类脑肿瘤提取
        4.3.1 阈值分割
        4.3.2 形态学处理
    4.4 实验与结果分析
        4.4.1 实验数据
        4.4.2 实验设置与评价指标
        4.4.3 实验结果与分析
    4.5 本章小结
第五章 基于DBN-BTE的多模态脑肿瘤提取方法
    5.1 BRATS图像的预处理
        5.1.1 中值滤波图像去噪
        5.1.2 基于亮度变换和均衡化的图像增强
    5.2 基于DBN-BTE的多模态脑肿瘤分割
        5.2.1 BARTS训练集
        5.2.2 不同模态肿瘤的分类
    5.3 多模态肿瘤提取
        5.3.1 不同模态肿瘤区域提取
        5.3.2 多模态肿瘤融合
    5.4 实验结果与分析
        5.4.1 实验数据
        5.4.2 实验设置
        5.4.3 实验结果与分析
    5.5 本章小结
第六章 总结与展望
    6.1 本文总结
    6.2 展望
致谢
参考文献
攻读硕士学位期间取得的成果



本文编号：3408907