基于U-net模块的多尺度脑肿瘤分割网络
发布时间：2021-03-07 01:50
近年来,脑肿瘤的分割任务已经逐渐成为医学图像研究领域的一个热点问题。一般情况下,脑肿瘤致死率、致残率极高,对人体的健康有很大的危害。其中,胶质瘤是最常见的脑肿瘤,它是由神经胶质细胞癌变而形成的,可分为低级别胶质瘤（Low-grade glioma,LGG）和高级别胶质瘤（High-grade glioma,HGG）,HGG通常由LGG恶化形成。尽管目前的治疗水平有所提升,但是HGG患者的预后仍旧很差,中位生存期不到两年甚至更短,与HGG相比,LGG患者的治疗和预后更有效。为了更好地治疗患者同时尽力的延长他们的生存时间,及时并准确地分割出胶质瘤,辅助医生制定适当的治疗计划是非常重要的。在诊断成像技术的发展过程中,诞生了各种各样的脑肿瘤成像检查方式,其中,磁共振成像（MRI）由于具有很高的软组织分辨率和空间分辨率,没有辐射损伤,可以提供广泛的生理意义的对比,并通过成像来区分不同的组织,且MRI所得的特征能够大大提高对脑肿瘤恶性程度的准确性的评估,因此广泛用于诊断脑和神经系统异常。尽管技术手段有所提升,但脑肿瘤分割仍然是一项艰巨的任务,因为肿瘤的边界通常是模糊的,并且不同患者的肿瘤形状、位置...
【文章来源】：山东大学山东省 211工程院校 985工程院校 教育部直属院校
【文章页数】：71 页
【学位级别】：硕士
【部分图文】：
图２－１人工神经网络结构??
池??化层来模拟感受野。此后，许多的深度神经网络均是在卷积神经网络的基础上做??出了一定的创新和改进，本文所提出的脑肿瘤分割网络也是如此。??在普通的人工神经网络中，相邻层的所有神经元均是两两相互连接的，这样??的结构最大的缺陷是会造成参数量过多，导致局部最优解的出现［３Ｑ］，从而使得网??络训练的时间过长，易发生过拟合。而在ＣＮＮ中，由于卷积层的作用，当前层??的神经元只需要与上一层的部分神经元连接，而不是全部神经元，这大大减少了??参数量，降低了过拟合的风险。ＣＮＮ的基本结构如图２－２所示，主要包括虚线??框中所示的卷积层、激活层和池化层，这三层组成了一个基本模块，一般的ＣＮＮ??主体结构就是基本模块的堆叠并添加其他处理。在ＣＮＮ的基本结构中，输入首??先通过卷积层进行线性变换，后经过激活层进行非线性变换得到相应特征，最后??再通过池化层对这些信息进行统计提取，以减少网络中的参数和计算量。??丨卷?激?池｜??？?？?？??Ｈ?积?＊■活?＾?化：?？？?？?？?？??ｉ?层层层?ｉ??图２－２卷积神经网络的基本结构??２．２．１卷积神经网络的基本组成??（１）卷积层??ＣＮＮ中的第一层始终是卷积层，作用是从输入图像中提取特征，得到特征??响应图，也称特征图。在图像识别中，卷积就是通过对输入数据的每个特定大小??的区域学习图像像素之间的空间关系，而这个区域的大小则由卷积核决定。在一??１１??
第２章背景介绍??般的情况下，卷积核的大小小于输入特征图的大小，卷积核沿着输入的长和宽方??向依次进行滑动，在每个相应的位置计算输入和卷积核之间的点积。卷积核每次??滑动的长度则称为步长。事实上，卷积神经网络中，卷积核中的数值就相当于人??工神经网络中介绍的权重，虽然名义上称为卷积运算，但实际上是卷积核上的权??重与对应位置的像素进行点积并相加。图２－３展示了当输入为单通道，输入大小??为５Ｘ７，卷积核大小为３Ｘ３，步长为１，填充为０时的２Ｄ卷积过程，从图中位??于（０，?０）位置的像素开始，输入像素与卷积核一一对应相乘后将结果相加，从??而得到输出像素，以此类推，卷积核则不断向右、向下移动，最终得到３Ｘ５大??小的输出。卷积核所覆盖的区域也称为感受野，在图２－３所示的输出神经元对应??的感受野就为３Ｘ３。在实际的网络设计中，我们可以通过叠加更多的卷积层使??得输出图中的单个神经元对应的原始输入的感受野更大，可以提取更大尺度的信??息。在ＣＮＮ中，无论是输入图像还是经过卷积层处理产生的特征响应图，通常??都不只是一张图，而是多张，每一张图就被称为一个通道。对于这样的多通道输??入，处理的方法是先对每个通道用不同的卷积核执行卷积操作，最后将其卷积结??果相加。图２－４展示了一个输入为３通道，大小为５Ｘ５，卷积核大小为３Ｘ３，??步长为１，填充为０，输出通道为１的多通道卷积过程。??０?／?输出像素??输入像素一［ｆｍ?？?＼１１？??ｍｍ?／?ｕ－??图２－３卷积层运算示意图??１２??
【参考文献】：
期刊论文
[1]基于双通道三维密集连接网络的脑胶质瘤核磁共振成像分割算法研究[J]. 霍智勇,杜帅煜,陈钊,戴伟达. 生物医学工程学杂志. 2019(05)
[2]MRI增强扫描在脑胶质瘤临床诊断中的应用价值分析[J]. 李鹏,梁浩然,杨旭,赵宏波. 实用医院临床杂志. 2019(05)
[3]人工神经网络的发展综述[J]. 夏瑜潞. 电脑知识与技术. 2019(20)
[4]一种基于级联卷积网络的三维脑肿瘤精细分割[J]. 褚晶辉,李晓川,张佳祺,吕卫. 激光与光电子学进展. 2019(10)
[5]改进的全卷积神经网络的脑肿瘤图像分割[J]. 邢波涛,李锵,关欣. 信号处理. 2018(08)
[6]脑胶质母细胞瘤术后辅助治疗的研究进展[J]. 于顺江. 癌症进展. 2010(04)
[7]解读《世界卫生组织中枢神经系统肿瘤分类（2007年）》[J]. 杨学军. 中国神经精神疾病杂志. 2007(09)
硕士论文
[1]基于多级联卷积神经网络和条件随机场的脑肿瘤分割研究[D]. 甘清海.湘潭大学 2019
[2]基于深度学习的医学图像分割方法研究[D]. 王凯明.中国科学技术大学 2018
本文编号：3068189
【文章来源】：山东大学山东省 211工程院校 985工程院校 教育部直属院校
【文章页数】：71 页
【学位级别】：硕士
【部分图文】：
图２－１人工神经网络结构??
池??化层来模拟感受野。此后，许多的深度神经网络均是在卷积神经网络的基础上做??出了一定的创新和改进，本文所提出的脑肿瘤分割网络也是如此。??在普通的人工神经网络中，相邻层的所有神经元均是两两相互连接的，这样??的结构最大的缺陷是会造成参数量过多，导致局部最优解的出现［３Ｑ］，从而使得网??络训练的时间过长，易发生过拟合。而在ＣＮＮ中，由于卷积层的作用，当前层??的神经元只需要与上一层的部分神经元连接，而不是全部神经元，这大大减少了??参数量，降低了过拟合的风险。ＣＮＮ的基本结构如图２－２所示，主要包括虚线??框中所示的卷积层、激活层和池化层，这三层组成了一个基本模块，一般的ＣＮＮ??主体结构就是基本模块的堆叠并添加其他处理。在ＣＮＮ的基本结构中，输入首??先通过卷积层进行线性变换，后经过激活层进行非线性变换得到相应特征，最后??再通过池化层对这些信息进行统计提取，以减少网络中的参数和计算量。??丨卷?激?池｜??？?？?？??Ｈ?积?＊■活?＾?化：?？？?？?？?？??ｉ?层层层?ｉ??图２－２卷积神经网络的基本结构??２．２．１卷积神经网络的基本组成??（１）卷积层??ＣＮＮ中的第一层始终是卷积层，作用是从输入图像中提取特征，得到特征??响应图，也称特征图。在图像识别中，卷积就是通过对输入数据的每个特定大小??的区域学习图像像素之间的空间关系，而这个区域的大小则由卷积核决定。在一??１１??
第２章背景介绍??般的情况下，卷积核的大小小于输入特征图的大小，卷积核沿着输入的长和宽方??向依次进行滑动，在每个相应的位置计算输入和卷积核之间的点积。卷积核每次??滑动的长度则称为步长。事实上，卷积神经网络中，卷积核中的数值就相当于人??工神经网络中介绍的权重，虽然名义上称为卷积运算，但实际上是卷积核上的权??重与对应位置的像素进行点积并相加。图２－３展示了当输入为单通道，输入大小??为５Ｘ７，卷积核大小为３Ｘ３，步长为１，填充为０时的２Ｄ卷积过程，从图中位??于（０，?０）位置的像素开始，输入像素与卷积核一一对应相乘后将结果相加，从??而得到输出像素，以此类推，卷积核则不断向右、向下移动，最终得到３Ｘ５大??小的输出。卷积核所覆盖的区域也称为感受野，在图２－３所示的输出神经元对应??的感受野就为３Ｘ３。在实际的网络设计中，我们可以通过叠加更多的卷积层使??得输出图中的单个神经元对应的原始输入的感受野更大，可以提取更大尺度的信??息。在ＣＮＮ中，无论是输入图像还是经过卷积层处理产生的特征响应图，通常??都不只是一张图，而是多张，每一张图就被称为一个通道。对于这样的多通道输??入，处理的方法是先对每个通道用不同的卷积核执行卷积操作，最后将其卷积结??果相加。图２－４展示了一个输入为３通道，大小为５Ｘ５，卷积核大小为３Ｘ３，??步长为１，填充为０，输出通道为１的多通道卷积过程。??０?／?输出像素??输入像素一［ｆｍ?？?＼１１？??ｍｍ?／?ｕ－??图２－３卷积层运算示意图??１２??
【参考文献】：
期刊论文
[1]基于双通道三维密集连接网络的脑胶质瘤核磁共振成像分割算法研究[J]. 霍智勇,杜帅煜,陈钊,戴伟达. 生物医学工程学杂志. 2019(05)
[2]MRI增强扫描在脑胶质瘤临床诊断中的应用价值分析[J]. 李鹏,梁浩然,杨旭,赵宏波. 实用医院临床杂志. 2019(05)
[3]人工神经网络的发展综述[J]. 夏瑜潞. 电脑知识与技术. 2019(20)
[4]一种基于级联卷积网络的三维脑肿瘤精细分割[J]. 褚晶辉,李晓川,张佳祺,吕卫. 激光与光电子学进展. 2019(10)
[5]改进的全卷积神经网络的脑肿瘤图像分割[J]. 邢波涛,李锵,关欣. 信号处理. 2018(08)
[6]脑胶质母细胞瘤术后辅助治疗的研究进展[J]. 于顺江. 癌症进展. 2010(04)
[7]解读《世界卫生组织中枢神经系统肿瘤分类（2007年）》[J]. 杨学军. 中国神经精神疾病杂志. 2007(09)
硕士论文
[1]基于多级联卷积神经网络和条件随机场的脑肿瘤分割研究[D]. 甘清海.湘潭大学 2019
[2]基于深度学习的医学图像分割方法研究[D]. 王凯明.中国科学技术大学 2018
本文编号：3068189
本文链接：https://www.wllwen.com/yixuelunwen/zlx/3068189.html
