基于深度学习的3D生物医学图像语义分割算法研究

发布时间：2022-04-26 20:21

　　随着深度学习算法的进一步成熟、算力的提高以及数据的持续积累,深度学习在生物医学图像语义分割领域得到迅猛发展。3D卷积神经网络因其3D上下文信息的挖掘能力而成为3D生物医学图像语义分割中的主流选择。但是,3D卷积核极大增加了可训练参数的数量。考虑到在生物医学图像领域中,训练集往往十分有限,这会加剧3D卷积神经网络面临的过拟合风险,因此必须在网络大小及其特征表达能力之间进行权衡。正因参数量的限制,网络结构简洁高效的3D U-Net被广泛应用。但是结构简洁也导致3D U-Net网络过浅,特征表达能力有限,网络无法获得较大感受野,同时较多的下采样层使得3D U-Net会丢失部分细节和全局位置信息。基于上述分析,本文基于3D卷积核的参数缩减和3D U-Net的网络优化两方面展开研究。本文的主要研究内容和创新工作概述如下:（1）针对3D卷积核参数过多的问题,本文提出了3D密集分离卷积（3D-DSC）模块来替代原始的3D卷积内核。3D-DSC模块由三个方向上的1D卷积核构成,同时通过进一步引入额外的非线性激活层以及1D卷积核之间的密集连接,可以在保持紧凑型架构的同时显著提高网络的非线性特征表达能力。... 

【文章页数】：63 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 研究背景与意义
    1.2 国内外研究现状
        1.2.1 基于深度学习的语义分割算法
        1.2.2 3D生物医学图像语义分割算法
    1.3 技术研究难点
    1.4 本文主要研究内容
    1.5 论文组织结构
第二章 相关理论和工作基础
    2.1 卷积神经网络
        2.1.1 卷积层与池化层
        2.1.2 激活层
        2.1.3 归一化层
        2.1.4 反向传播与优化算法
    2.2 语义分割相关知识点
        2.2.1 空洞卷积
        2.2.2 反卷积
        2.2.3 Dice loss
    2.3 3D生物医学图像相关知识点
        2.3.1 MRI及其预处理
        2.3.2 CT及其预处理
    2.4 本章小结
第三章 3D-DSC模块
    3.1 引言
    3.2 卷积核的分解
    3.3 3D-DSC模块
        3.3.1 3D卷积核的空间可分性
        3.3.2 3D-DSC模块
    3.4 基于3D-DSC模块的3D分类网络
    3.5 基于小儿多动症脑部MRI诊断的实验结果及分析
        3.5.1 数据集及预处理
        3.5.2 网络训练设置
        3.5.3 结果及分析
    3.6 基于肝癌腹部CT图像诊断的实验结果及分析
        3.6.1 数据集及预处理
        3.6.2 网络训练设置
        3.6.3 结果及分析
    3.7 本章小结
第四章 基于3D U-Net的3D生物医学图像语义分割网络
    4.1 引言
    4.2 3D U-net语义分割网络
    4.3 基于3D-DSC加深3D U-Net
    4.4 BA-DenseASPP
    4.5 基于脑肿瘤MRI图像的实验结果及分析
        4.5.1 数据集及预处理
        4.5.2 网络训练设置
        4.5.3 结果及分析
    4.6 基于肾脏肿瘤CT图像的实验结果及分析
        4.6.1 数据集及预处理
        4.6.2 网络训练设置
        4.6.3 结果及分析
    4.7 本章小结
结论
参考文献
攻读硕士研究生期间参与的科研项目
致谢



本文编号：3648671