基于UNet深度神经网络的颈动脉分叉分割研究

发布时间：2024-06-01 03:15

　　颈动脉狭窄程度是临床实践中中风风险评估和病程管理的重要生物标志物。精确的颈动脉管腔分割是量化其狭窄程度的前提。然而对于计算机断层扫描血管造影(Computed Tomography Angiography,CTA)图像中的颈动脉管腔分割任务,传统图像分割方法大多数不能完全摆脱对人工介入的依赖。最近深度学习方法在计算机视觉领域中的多种任务上均有着卓越表现,使其成为有望实现颈动脉分叉自动化语义分割的一种技术手段。本研究以三维头颈部CTA图像为研究对象,采用深度卷积神经网络来实现完全自动化的颈动脉分叉管腔分割算法。在原来UNet的结构基础上,加入了残差连接、空洞卷积,并且把深度监督策略融入到网络结构中,本研究建立了一个新型网络结构。同时针对分割任务中正负样本不均衡问题探索了不同结合方式下损失函数对神经网络训练的促进作用,并且采用两阶段的策略完成了从大图像中分割出小目标的任务。以15个数据集为训练集,本研究在41个数据集的测试集上评估了方法的分割效果,评估指标dice相似系数的平均值为82.3%。这是深度学习在三维CTA图像中颈动脉分叉结构分割上的首次运用,说明了深度学习是一种自动提取颈动脉分...

【文章页数】：63 页

【学位级别】：硕士

【文章目录】：
致谢
摘要
Abstract
第1章 绪论
    1.1 研究背景和意义
    1.2 国内外研究现状
        1.2.1 传统图像分割方法
        1.2.2 基于深度学习的语义分割
    1.3 研究内容
    1.4 论文组织架构
第2章 相关理论和技术
    2.1 卷积神经网络
    2.2 UNet网络结构
    2.3 针对类别不均衡的损失函数
        2.3.1 Weighted binary cross-entropy
        2.3.2 Dice loss
        2.3.3 Focal loss
    2.4 技术框架和软件支持
第3章 UNet网络改进设计
    3.1 数据来源和预处理
        3.1.1 数据来源
        3.1.2 数据预处理
    3.2 训练和测试策略
    3.3 网络结构的改进
        3.3.1 残差卷积模块
        3.3.2 空洞卷积模块
        3.3.3 深度监督策略
    3.4 损失函数的设计
    3.5 实施细节
        3.5.1 数据扩增
        3.5.2 训练参数
        3.5.3 图像后处理
第4章 研究结果和分析
    4.1 评估指标
    4.2 对比标准
    4.3 实验结果和分析
        4.3.1 不同结合比例下的损失函数
        4.3.2 和其他网络模型的对比
        4.3.3 分割结果的可视化
        4.3.4 Leave-one-out交叉验证
        4.3.5 和其他自动分割算法的对比
第5章 总结和展望
    5.1 研究工作总结
    5.2 研究工作展望
参考文献
作者在硕士期间的科研成果



本文编号：3985479