基于卷积神经网络的医学图像器官分割算法研究
发布时间：2021-06-17 09:44
本文主要针对食管癌放疗靶区以及周围危及器官同时分割的技术进行研究。近年来,医学图像分割/器官分割以卷积神经网络为主。虽然取得了令人鼓舞的成绩,但也存在两个缺点。一方面,关于单器官分割的文献较多,而针对多器官分割问题的文献较少。另一方面,许多分割方法在自然图像分割数据集上的多目标分割效果较好,但在食管癌医学图像分割上的效果欠佳。针对上述问题,本文就医学图像器官分割开展研究,主要工作如下:（1）为了能够准确地分割器官区域,本文在U-Net网络中增加归一化处理层,加快网络收敛速度,防止梯度消失,从而提高分割的精度。另外,为了能够提升卷积神经网络模型的分割速度,本文巧妙地利用1×1卷积核和合适的卷积通道数来降低模型参数,从而提高了器官分割效率。（2）为了将Mask R-CNN算法更好的运用与食管癌器官分割中,本文对Mask R-CNN算法做出四点改进,提出了一种新的分割算法,名为MsMR-Net的深度学习算法。其具体改进部分为:a)改进Mask R-CNN算法特征提取网络中的ResNet网络结构,使得主干网络更好的获得食管癌图像器官信息;b)对区域建议网络得到的ROI进行多尺度ROI Alig...
【文章来源】：安徽大学安徽省 211工程院校
【文章页数】：78 页
【学位级别】：硕士
【部分图文】：
神经网络在医学图像处理上的文献分布
安徽大学硕士学位论文9输入层、卷积层、池化层（下采样层）、全连接层。2.2.1数据输入层数据输入层的设计对于CNN训练模型的好坏非常重要，选择并设计符合标准的数据层数据，可以训练并构造一个性能优异的网络结构模型，在训练时，为了更高效地训练模型，常把数据转化为Leveldb格式或者Lmdb格式。2.2.2卷积层卷积在图像处理领域被广泛的应用，像滤波、边缘检测、图片锐化等，都是通过不同的卷积核来实现的。在卷积神经网络中通过卷积操作可以提取图片中的特征，低层的卷积层可以提取到图片的边缘、线条、角等特征，高层的卷积能够从低层的卷积中学到更复杂的特征，从而实现图片的分类和识别。在卷积操作中有几个比较重要的参数，输入图片的尺寸、步长、卷积核的大孝输出图片的尺寸、填充大校参数以及卷积的运算过程如图2.2所示：图2.2卷积运算图Figure2.2Convolutiondiagram输入特征图的尺寸：图2.2中的蓝色图片（大小为5*5），表示的是需要进行卷积操作的特征图。输入特征图的尺寸用i表示。卷积核的尺寸：图2.2中阴影图片表示的是卷积核（大小为4*4），不同大小的卷积
安徽大学硕士学位论文11图2.3最大池化效果图Figure2.3Maximumpoolingeffect图2.4、2.5分别表示池化层中的最大池化和平均池化操作过程的范例。图2.4最大池化操作过程图Figure2.4Maximumpoolingoperationprocessdiagram图2.5平均池化操作过程图Figure2.5Averagepoolingoperationprocessdiagram
【参考文献】：
期刊论文
[1]面向空中目标作战意图分析的标准化全连接残差网络模型[J]. 翟翔宇,杨风暴,吉琳娜,吕红亮,白永强. 国外电子测量技术. 2019(12)
[2]基于优化可形变区域全卷积神经网络的人头检测方法[J]. 吉训生,王昊. 激光与光电子学进展. 2019(14)
[3]基于深度学习的渣土车顶部覆盖率识别系统[J]. 刘晓东,费文龙,陈亮. 无线互联科技. 2019(04)
[4]多层卷积特征融合的行人检测[J]. 吕俊奇,邱卫根,张立臣,李雪武. 计算机工程与设计. 2018(11)
[5]基于ITK、VTK、Qt的DICOM文件的读取与显示[J]. 任正伟,宋晓梅,黄素真. 国外电子测量技术. 2017(11)
[6]基于DICOM数据三维重建及其对骨科植入物的指导应用[J]. 李靖,杨龙,王建吉,刘琴,邹强,孙宇,马敏先,叶川. 中国组织工程研究. 2017(07)
[7]基于点云面的区域性三维重建及点云拼接[J]. 黄思奇,夏海英. 计算机应用研究. 2016(12)
[8]PET/CT在妇科恶性肿瘤中的应用[J]. 王玉分,张工化,孔振,王志辉,刘要先. 现代医用影像学. 2015(03)
[9]基于VTK的数值模拟结果可视化[J]. 王延红,丁升,袁媛,林成地. 现代电子技术. 2013(06)
[10]一种基于DDS和Qt的“所见即所得”波形发生器[J]. 张康康,王中训,王恒,刘建英. 现代电子技术. 2010(22)
博士论文
[1]水平集方法及其在图像分割中的应用研究[D]. 王晓峰.中国科学技术大学 2009
硕士论文
[1]基于多任务学习的肿瘤医学影像语义分割与分类研究[D]. 邹致超.哈尔滨工业大学 2019
[2]基于深度模型的实时交通灯检测[D]. 陈飘依.北京邮电大学 2019
[3]基于深度学习的人脸图像超分辨率重建[D]. 史鹏涛.南昌大学 2019
[4]毫米波无源探测目标检测与识别算法研究[D]. 刘应杰.电子科技大学 2019
[5]基于深度卷积神经网络的图像风格迁移系统研究[D]. 裴斐.宁夏大学 2019
[6]眼底图像中微小目标检测算法的研究与实现[D]. 李英.电子科技大学 2019
[7]基于CT图像的肝部肿瘤的自动分割算法研究[D]. 张丽园.电子科技大学 2019
[8]面向遥感影像的地物分割方法研究[D]. 崔路男.哈尔滨工业大学 2018
[9]基于卷积神经网络的人脸识别技术研究[D]. 王洋.集美大学 2018
[10]基于卷积神经网络的蔬菜识别及应用研究[D]. 韩朋朋.安徽大学 2018
本文编号：3234959
【文章来源】：安徽大学安徽省 211工程院校
【文章页数】：78 页
【学位级别】：硕士
【部分图文】：
神经网络在医学图像处理上的文献分布
安徽大学硕士学位论文9输入层、卷积层、池化层（下采样层）、全连接层。2.2.1数据输入层数据输入层的设计对于CNN训练模型的好坏非常重要，选择并设计符合标准的数据层数据，可以训练并构造一个性能优异的网络结构模型，在训练时，为了更高效地训练模型，常把数据转化为Leveldb格式或者Lmdb格式。2.2.2卷积层卷积在图像处理领域被广泛的应用，像滤波、边缘检测、图片锐化等，都是通过不同的卷积核来实现的。在卷积神经网络中通过卷积操作可以提取图片中的特征，低层的卷积层可以提取到图片的边缘、线条、角等特征，高层的卷积能够从低层的卷积中学到更复杂的特征，从而实现图片的分类和识别。在卷积操作中有几个比较重要的参数，输入图片的尺寸、步长、卷积核的大孝输出图片的尺寸、填充大校参数以及卷积的运算过程如图2.2所示：图2.2卷积运算图Figure2.2Convolutiondiagram输入特征图的尺寸：图2.2中的蓝色图片（大小为5*5），表示的是需要进行卷积操作的特征图。输入特征图的尺寸用i表示。卷积核的尺寸：图2.2中阴影图片表示的是卷积核（大小为4*4），不同大小的卷积
安徽大学硕士学位论文11图2.3最大池化效果图Figure2.3Maximumpoolingeffect图2.4、2.5分别表示池化层中的最大池化和平均池化操作过程的范例。图2.4最大池化操作过程图Figure2.4Maximumpoolingoperationprocessdiagram图2.5平均池化操作过程图Figure2.5Averagepoolingoperationprocessdiagram
【参考文献】：
期刊论文
[1]面向空中目标作战意图分析的标准化全连接残差网络模型[J]. 翟翔宇,杨风暴,吉琳娜,吕红亮,白永强. 国外电子测量技术. 2019(12)
[2]基于优化可形变区域全卷积神经网络的人头检测方法[J]. 吉训生,王昊. 激光与光电子学进展. 2019(14)
[3]基于深度学习的渣土车顶部覆盖率识别系统[J]. 刘晓东,费文龙,陈亮. 无线互联科技. 2019(04)
[4]多层卷积特征融合的行人检测[J]. 吕俊奇,邱卫根,张立臣,李雪武. 计算机工程与设计. 2018(11)
[5]基于ITK、VTK、Qt的DICOM文件的读取与显示[J]. 任正伟,宋晓梅,黄素真. 国外电子测量技术. 2017(11)
[6]基于DICOM数据三维重建及其对骨科植入物的指导应用[J]. 李靖,杨龙,王建吉,刘琴,邹强,孙宇,马敏先,叶川. 中国组织工程研究. 2017(07)
[7]基于点云面的区域性三维重建及点云拼接[J]. 黄思奇,夏海英. 计算机应用研究. 2016(12)
[8]PET/CT在妇科恶性肿瘤中的应用[J]. 王玉分,张工化,孔振,王志辉,刘要先. 现代医用影像学. 2015(03)
[9]基于VTK的数值模拟结果可视化[J]. 王延红,丁升,袁媛,林成地. 现代电子技术. 2013(06)
[10]一种基于DDS和Qt的“所见即所得”波形发生器[J]. 张康康,王中训,王恒,刘建英. 现代电子技术. 2010(22)
博士论文
[1]水平集方法及其在图像分割中的应用研究[D]. 王晓峰.中国科学技术大学 2009
硕士论文
[1]基于多任务学习的肿瘤医学影像语义分割与分类研究[D]. 邹致超.哈尔滨工业大学 2019
[2]基于深度模型的实时交通灯检测[D]. 陈飘依.北京邮电大学 2019
[3]基于深度学习的人脸图像超分辨率重建[D]. 史鹏涛.南昌大学 2019
[4]毫米波无源探测目标检测与识别算法研究[D]. 刘应杰.电子科技大学 2019
[5]基于深度卷积神经网络的图像风格迁移系统研究[D]. 裴斐.宁夏大学 2019
[6]眼底图像中微小目标检测算法的研究与实现[D]. 李英.电子科技大学 2019
[7]基于CT图像的肝部肿瘤的自动分割算法研究[D]. 张丽园.电子科技大学 2019
[8]面向遥感影像的地物分割方法研究[D]. 崔路男.哈尔滨工业大学 2018
[9]基于卷积神经网络的人脸识别技术研究[D]. 王洋.集美大学 2018
[10]基于卷积神经网络的蔬菜识别及应用研究[D]. 韩朋朋.安徽大学 2018
本文编号：3234959
本文链接：https://www.wllwen.com/yixuelunwen/swyx/3234959.html
