基于深度学习的脑部肿瘤分割算法研究与实现

发布时间：2024-10-05 06:52

　　肿瘤严重地危害了居民的健康,现阶段恶性脑肿瘤已经成为我国居民死亡的主要原因之一。随着现代成像技术的发展,尤其是磁共振影像技术为现代医疗的诊断与治疗提供了巨大的帮助。脑肿瘤的磁共振影像分析,是医生作出临床诊断的重要依据。但是由于脑部肿瘤的形状多样性,位置不固定,结构复杂以及在不同患者身上具有非常大的差异,给人工分割脑部肿瘤带来了困难。人工分割肿瘤会非常的耗时,而且会因为医生的个人经验产生不同的分割效果,因此自动分割脑部肿瘤的研究具有重要的应用价值。近年来国内外研究机构在人工智能领域取得了众多突破性的进展,尤其是深度学习在学术界以及工业界得到了广泛的应用。以医学图像分割为例,基于深度学习的图像分割方法不再需要人工去设计特征,而是由模型自己去学习数据中的深层信息,这样可以加快诊断的速度与提升诊断的准确度,可以避免因为人为因素造成的误诊。针对以上问题和背景,本论文完成了如下工作:1.提出一种基于金字塔融合的U-Net分割模型。U-Net是医疗图像分割领域经典的模型,具有Encoder和Decoder两部分,但是U-Net很难完整的分割出肿瘤的细节以及边界部分。为了有效的捕捉肿瘤的细节信息,本论文...

【文章页数】：82 页

【学位级别】：硕士

【部分图文】：

图２－１不同阈值的分割结果??第三步是根据第二步的阈值准则确定最终的阈值，然后逐像素进行划分

定求取阈值的准则，不同的阈值大小会得到不同的分割结果。阈值选取的较大，??部分目标就会被划分为背景区域。阈值选取的较小，背景信息就会留在目标中。??如图２－１所示：??８００????７００?－?Ｉ?｜??眺??０?５０?１００?１５０?２００?２５０??（ａ）原始图像的灰度直方图....

图２－２卷积神经网络结构??卷积神经网络的整体模型包括输入层，隐藏层，输出层，图中虚线部分是主体部??

２．２．１卷积神经网络概述??卷积神经网络主要由卷积层，池化层以及激活函数构成，卷积神经网络的整??体结构如图２－２所示：??Ｉ?Ｉ??！?ＨＢ?Ｉ??ｌ??输出??图２－２卷积神经网络结构??卷积神经网络的整体模型包括输入层，隐藏层，输出层，图中虚线部分是主体部??分，由卷积层....

图２－３最大池化示意图??

层主要是去除冗余的信息，减小图像的尺寸，以减少网络的计算量，防止过度拟??合。最常见的形式是Ｍａｘ?Ｐｏｏｌｉｎｇ尺寸为２Ｘ２，即在滤波器覆盖的２Ｘ２区域中选??择最大的像素值作为响应。池化层的示意图如图２－３所示：??ｊ?５?：?６?；?７?８?：?２ｘ２?最大池化?ｉ?ｉ?６....

图２－４?Ｓｉｇｍｏｉｄ函数与导数??Ｓｉｇｍｏｉｄ的导数范围为０到０．２５

?（２－１９）??Ｓｉｇｍｏｉｄ的导数也是由Ｓ（ｚ）组成，在计算时还是非常方便的。Ｓｉｇｍｏｉｄ的函数与导??数曲线如图２－４所示：??卞―「言—―１——１??。＋８．￣?ｒ￣：＾?￣??０６—卜￣￣￣?灿——一??Ｔ—￣＾?价??！?ｊ?］７?Ｖ?＇??０．０?－???ｆ?１?....

本文编号：4007673