基于多层次特征融合的医学图像分割

发布时间：2021-09-25 00:41

　　随着医学成像技术的不断发展,越来越多的疾病通过对医学影像的分析、处理实现了早期发现、早期诊治,大幅提升了疾病治疗效率。其中,医学影像分割能够从复杂的医学图像中提取病人病变区域,为后续的定量、定性的分析和处理工作打下基础。然而,基于专业医生的手工分割耗时费力,传统计算机图像分割技术又精度低下。因此,越来越多的学者将目光放在深度学习上,提出一系列基于卷积神经网络（CNN）的医学图像分割网络。为进一步提升深度学习在医学图像分割领域的运用,我们对深度学习模型以及特征学习领域展开研究,提出通过浅层纹理特征与深层语义特征融合方式,实现医学图像的精确分割。本文基于密集连接网络提出了一种新颖的框架,称为多路径自适应融合网络,以增强浅层纹理特征与深层语义特征的融合用于医学图像分割。在所提出的框架的下采样过程中,采用了具有快捷连接的密集块。它不仅可以在每层之间应用密集连接以充分利用局部特征,而且还可以在先前的密集块与当前密集块的每一层之间进行直接连接,从而实现有效的连续内存（CM）机制,以传播和保留浅层纹理特征。在上采样过程中,已经提出了一种新颖的多径自适应融合单元,以有效地融合浅层纹理特征和深层语义特征... 

【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】：82 页

【学位级别】：硕士

【部分图文】：

LeNet结构

电子科技大学硕士学位论文12征，这也代表了机器能通过这个卷积核理解图像拥有这个特征。如图2-2，这就是一个常见的卷积层。图2-2卷积层假设有一个尺寸为5×5图像，我们使用3×3卷积核对图像进行卷积操作，卷积操作就是卷积核与在一个在图像中与卷积核相同大小的滑动窗口进行点积运算得到结果的过程。如图2-2所示，最左边是一个3×3的卷积核，中间是需要卷积的5x5大小的图片，最右边是卷积的结果。当我们用卷积核与图像最右上的3×3的区域点相乘时，得到的结果为-1。卷积核的值是通过初始化，然后不断通过反向传播学习中学到的。2.4.2池化层池化层又叫下采样层，目的是压缩数据，降低数据维度。同时，通过池化层的特征压缩，我们可以对特征进行细化提炼。最常见的池化方式是最大池化，就是去计算一个区域的特征的最大值。如图2-3，一个4x4的图片经过采样后还剩2x2，直接压缩到原来的4分之一。图2-3池化操作

池化操作


本文编号：3408748