深度学习在脑肿瘤中的应用

发布时间：2021-05-11 09:39

　　胶质瘤是最常见的恶性中枢神经脑瘤之一,浸润性生长的特点造成其死亡率高复发率高,因此需要及时尽早的诊断与治疗。胶质瘤影像作为直观且重要的诊断手段,对后续手术、放疗等治疗方案有指导作用,因此肿瘤影像的分割和随后的定量分析是治疗中常规的且至关重要的一步。磁共振成像是现阶段脑肿瘤的主要成像工具,提供了胶质瘤的多模态影像。多模态成像不但可以综合分析不同模态的解剖信息和功能信息,而且可以研究模态间的联系,从而可以准确地描绘肿瘤结构实现可视化。但是现在三维的肿瘤磁共振影像数据量十分庞大,对于医生专家来说是个沉重的负担。如果仅靠手动分割会十分费时、繁琐且缺乏客观性,因此需要自动分割方法来进行准确、及时、客观的处理。近年来,基于深度学习的分割方法因其强大的自学习和泛化能力而受到欢迎。为了更好地捕获上下文信息与产生语义特征,我们提出了一种新颖的基于3D CNN的自动脑肿瘤分割方法。与自然图像相比,医学影像多为灰度影像且分辨率低,因此该方法基于网络层深较浅的编码-解码架构,主体由残差模块、编码器适配模块、密集融合模块和多尺度优化模块组成,取得了对胶质瘤不错的分割结果。具体研究内容如下:1.为了有效地提取代表... 

【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】：68 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第1章 绪论
    1.1 课题背景及意义
    1.2 研究现状
    1.3 本文主要内容
    1.4 本文章节安排
第2章 深度学习语义分割算法
    2.1 卷积神经网络
        2.1.1 卷积
        2.1.2 池化
        2.1.3 激活函数
        2.1.4 批量标准化
        2.1.5 残差网络
    2.2 全卷积网络
    2.3 编码-解码基础模型
    2.4 基于多尺度池化的金字塔网络
    2.5 生成对抗模型
    2.6 其他模型
    2.7 本章小结
第3章 密集连接的胶质瘤残差分割模型
    3.1 整体架构
    3.2 残差模块
    3.3 编码器适配模块
    3.4 密集融合模块
    3.5 多尺度优化模块
    3.6 本章小结
第4章 实验与结果
    4.1 实验数据
        4.1.1 数据集
        4.1.2 评价指标
    4.2 实验设置
        4.2.1 批量标准化和激活函数选择
        4.2.2 损失函数
        4.2.3 预处理
        4.2.4 训练机制
    4.3 模型训练
    4.4 实验结果
    4.5 消融实验
        4.5.1 ResNeXt模块性能验证实验
        4.5.2 密集连接融合模块性能验证实验
        4.5.3 多尺度优化模块性能验证实验
    4.6 本章小结
第5章 总结与展望
    5.1 总结
    5.2 展望
参考文献
致谢
攻读硕士学位期间发表的学术论文
学位论文评阅及答辩情况表


【参考文献】：
期刊论文
[1]脑胶质瘤临床诊断与治疗：积于跬步 蓄势超越[J]. 杨学军,江涛.  中国现代神经疾病杂志. 2019(11)
[2]功能化纳米探针用于脑胶质瘤精准诊疗研究进展[J]. 盛宗海,李三清,胡德红,高笃阳,郑海荣.  集成技术. 2020(01)
[3]脑转移瘤的MRI研究进展[J]. 李瑞,冯峰.  CT理论与应用研究. 2019(05)
[4]多模态MR对脑胶质瘤术后放疗靶区勾画的一致性分析[J]. 徐晓曦,张蔚,宋琼.  中国医疗设备. 2019(07)
[5]ReLU激活函数优化研究[J]. 蒋昂波,王维维.  传感器与微系统. 2018(02)

博士论文
[1]基于深度神经网络的肿瘤图像分析与处理[D]. 昌杰.中国科学技术大学 2019

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]基于深度学习的脑肿瘤分割[D]. 张浩.云南大学 2018
[3]基于3维全卷积DenseNet的MRI脑胶质瘤多区域分割算法研究[D]. 黄奕晖.南方医科大学 2018
[4]基于深度信任网络的脑肿瘤提取方法的研究与实现[D]. 李雪瑞.电子科技大学 2018



本文编号：3181184