基于全卷积神经网络的脑组织提取算法研究

发布时间：2020-04-03 04:31

【摘要】：在神经影像的应用中,对MRI数据进行脑组织提取一直是至关重要的一步。因此,脑组织提取的正确性和鲁棒性在整个大脑分析处理的过程中也就很重要,它将直接影响后续的图像处理操作。脑组织提取分为人工和自动提取两种,人工提取的方法精度高,但是费时费力,并且要求专业的技能,同时受到操作者主观性影响。自动提取的方法操作简单,并且能够达到一定的精确度和稳定性,因此对脑组织自动提取方法的研究已经成为主流。本文介绍了卷积神经网络和全卷积神经网络,随后提出了一种基于全卷积神经网络的脑组织自动提取方法,并且针对初步提取结果边界不精细以及误分等问题,提出了使用CNN的滑动窗口对边界周围像素点再分类的方法。课题选择使用SegNet网络来做脑组织的预提取工作,这使得脑组织提取的效率有了很大地提高。本论文的主要工作包括:(1)在对当前已有的脑组织提取算法分析的基础上,指出使用CNN做脑组织图像分割的不足,引入全卷积神经网络的方法。(2)提出基于全卷积神经网络SegNet的脑组织提取方法,并且针对预分割的结果边界不够精细、误分等问题提出了引入边界先验知识的提取方法和结合LeNet-5进行二次分类的方法,取得了较好的优化效果。(3)在真实数据集上进行了算法测试与分析,实验结果表明本文提出的解决方案是有效的。课题分别使用三个公开数据(OASIS、IBSR和LPBA40)来验证本文提出的方法的有效性,对于OASIS数据集,本文提出的方法在各个方面都取得了最好的结果,平均戴斯系数为98.29%。在另外两个数据集上,虽然戴斯系数要比其他作者使用的深度学习方法低一些,但是在特异性和灵敏度上并不比他们的结果差,在IBSR数据集上特异性和灵敏度分别为94.57%和99.79%,在LPBA40数据集上特异性和灵敏度分别为98.62%和99.31%,并且在IBSR数据集上取得的mIoU(mean Intersection over Union)是最高的。因为SegNet网络本身的特性使得该方法在时间性能上优于其他作者提出的应用于脑组织提取的3D神经网络。最后的实验结果表明该方法的分割结果良好,证明该方法对大规模数据研究和临床试验是有用的。
【图文】：

二维图像,颅脑,影像特征,图像

图 1-1 MR 颅脑图像的影像特征区域的提取方法主要是用分类法或者灰度阈值分割法把脑组织图像分成多个不同的区域，然后把有相全相同的区域认作是相同的组织，最后使用形态学操作或者区域合并的方法对 MRI 脑织的提取。虽然这一类方法的速度相对较快，并且计算简单，但是这类方法受到图像因素的影响，导致此类方法对阈值的选择特别敏感。基于区域的提取方法主要包括聚、图割（graph-cuts）法[12][13]、形态学方法[14][15]等。[16]等人使用基于高斯混合模型的分类方法，通过估计图像的阈值，提出了一种三维脑组该方法具有层次性，并且制作了一个大脑 MRI 图像分析软件；Lemieux[17]等人使用自学操作相结合的方法来提取脑组织，这个算法可提供多个阈值，而且要不断地进行交参数会跟着图像的变化做出相应的变化；Hahn[18]等人采用形态学操作和改进的三维快类算法相结合的方法来提取脑组织；Gambino[19]等人提出了一种使用模糊 c-means（fuz分割和形态学操作的方法，在二维图像上提取脑组织。然后将该方法延伸到三维上。边界的提取方法

过程图,卷积运算,图像,过程

东南大学硕士学位论文2 所示：S( x) f (t ) g ( x t )dt 在图像处理中，我们使用的是二维的，如果把一张二维的图像 I 作为输入，使用一个二卷积公式如公式 2.3 所示：S(i,j) = (I * K)(i,j) = ( , ) ( , )m n I m n K i m j n如图 2-3 所示，图中的输入是一个二维的 3x4 的矩阵，而卷积核是一个 2x2 的矩阵。这是一次移动一个像素来卷积的，那么首先对输入的左上角 2x2 局部和卷积核卷积，即各素相乘再相加，得到的输出矩阵 S 的 S00的元素，值为 a*w + b*x + e*y + f*z。然后在将向右平移一个像素，现在是 b, c, f, g 四个元素构成的矩阵和卷积核来卷积，这样得到了的 S01的元素，同样的方法，可以得到输出矩阵 S 的 S02，，S10，S11，S12的元素。最终就积输出的一个 2x3 的矩阵 S。
【学位授予单位】：东南大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：R318;TP391.41;TP183

【参考文献】