基于U-Net的医疗影像靶区自动标定及分割

发布时间：2021-04-22 19:46

　　医学图像在定量研究和医学诊断中起着至关重要作用,而当前对CT,MRI,X光等医疗影像分析主要还是依靠人工交互式进行,这种方式在临床环境下效率一直都相对较低,在患者就医的高峰期十分容易出现延误治疗最佳时机的情况。目前针对CT,X光的自动图像分割已经有了很多研究成果,但是目前主流分割方法一方面容易导致信息的冗余使用,类似的低层次特征在多个尺度上被多次提取。另一方面,长期的特征依赖没有有效地建模,导致与每个语义类相关的非最佳鉴别特征表示。以及网络过于庞大导致语义分割不管是在存储上还是在速度以上与工业化应用有一定差距。论文通过基于自注意机制来捕获更丰富的上下文依赖关系以减少冗余提高效果,进行模型的压缩提速以便模型在边缘设备上运行。针对肺部气胸数据进行分割问题,借鉴U-Net这样的已经成为医学图像分割领域的常用全卷积神经网络,探索了一种能够集成本地特性及其相应的全局依赖关系,并以自适应的方式突出相互依赖的映射的方法。通过强调相关的特征关联以加强不同模块之间的额外损失,引导注意机制忽略无关信息,聚焦于图像中更多的鉴别区域。其次针对分割模型过于庞大以至于工业部署困难的问题,基于在深度可分卷积的基础上... 

【文章来源】：海南大学海南省 211工程院校

【文章页数】：67 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 研究背景及意义
    1.2 研究现状
    1.3 本文的研究内容
    1.4 本章小结
2 卷积神经网络和相关技术
    2.1 卷积神经网络概念
    2.2 语义分割网络结构设计
        2.2.1 FCN
        2.2.2 Deep Lab系列
        2.2.3 U-Net
    2.3 本章小结
3 分割网络结构构建与训练
    3.1 多尺度方法的重构
        3.1.1 多尺度注意力特征图
        3.1.2 空间和通道自我关注模块
    3.2 Backbone
    3.3 模型训练与微调
        3.3.1 数据集
        3.3.2 模型训练策略
        3.3.3 评估方法
    3.4 结果分析
    3.5 本章小结
4 分割模型的剪枝与压缩算法
    4.1 模型剪枝概念
    4.2 模型剪枝方法
    4.3 模型剪枝实施
    4.4 本章小结
5 分割模型的量化与部署实现
    5.1 模型量化的目标
    5.2 模型量化方法以及策略设计
        5.2.1 统一仿射量化
        5.2.2 均匀对称量化
        5.2.3 随机量化
        5.2.4 量化后的BP操作
    5.3 量化方式
    5.4 模型量化及实验细节
    5.5 量化评估以及模型部署
        5.5.1 量化性能评估
        5.5.2 模型部署
    5.6 本章小结
6 总结和展望
参考文献
攻读硕士学位期间科研情况
致谢



本文编号：3154361