基于深度学习的脑肿瘤分割算法研究
发布时间：2021-09-02 13:56
人工智能与计算机视觉近年来蓬勃发展,成为互联网行业与工业界的重要组成部分。深度学习算法,特别是卷积神经网络,在人工智能算法中脱颖而出。对于复杂数据集的分析,深度学习的效果已远远领先其他传统算法,利用深度学习来进行图像处理已成为当下的热门方法。图像分割作为计算机视觉的主要研究内容,已经应用于诸多领域,例如智能医疗,自动驾驶,室内导航,人机交互,虚拟或增强现实,机器人,图片美化,智能农业等等。越来越多的产品需要基于深度学习的图像分割算法作为技术支撑。在智能医疗领域中,医学图像分析成为当下研究热门。脑肿瘤是由于不可控因素导致细胞癌变增生而引起的一种异常组织,严重威胁人类生命健康,是医学领域难以攻克的疾病之一。将脑部核磁共振影像中的脑肿瘤各区域分割出来,判断水肿、增强、坏死等区域的确切位置,对于后期的诊断与治疗起到关键作用。传统的脑肿瘤分割方法是由放射科专家根据解剖学与病理学知识,借助特定的软件进行人工分割,为数据标注出标签。这种方式耗时耗力,标注的正确率因个人能力产生差异,并且存在不稳定性。因此,传统的脑肿瘤分割方法在分割速度、分割精度上都难以达到临床使用的需求。针对以上问题和背景,本论文完...
【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】：61 页
【学位级别】：硕士
【部分图文】：
图２－１最大池化示意图??随着池化的进行，网络后面的特征尺度减小，同时随着卷积核的增多，特征??
ｔｉｌｅ?Ｊｉ?，?／ｒ?ｓｅｇｍｅｎｔａｔｉｏｎ??＾?￥?ｆ；?ｓ?ｍａｐ??ｓ?１１?Ｉ?Ｉ?ｉ?｜??Ｘ?Ｈ?＜?．?＇?屬－ｉｌ??ｉｒ．?ｉｓ??ｓ?ｓ笑?？??聲Ｌ茂１２Ｓ??ｆｌ?２Ｓ？?１２３??＿＿＿＿＿】声??会?Ｉ徐画—￣￣￣＾塗?？＿／３ｘ３．ＲｅＬＵ??￣ｉ?－－?ｙ?＂ｃｏｐｙａｎｄｃｒｏｐ??＾?＂！?Ｑ＾Ｅ１＊Ｓ１?ｆ?ｍａｘ?ｐｏｏ！?２ｘ２??二？?ｉ〇￡４?誊?４?ｕｐ－ｃｏｎｖ?２ｘ２??＾ｃ〇ｎｙｌｘｌ??图２－２Ｕ－Ｎｅｔ模型结构图［４］??ＳｅｇＮｅＷ对输入图像进行低维编码，然后利用解码器的方向不变性恢复图像。??这将在解码器端生成分段图像。Ｓｅｇｎｅｔ与ＦＣＮ结构相似但上釆样方式不同？?ＦＣＮ??使用反卷积上采样，而Ｓｅｇｎｅｔ记录池化过程中最大值的坐标位置，在上采样的过??程中将特征图的值映射到对应的位置，新特征图的其他位置特征值置零。??Ｄｅｃｏｎｖｎｅｔｆ９］在下釆样过程中，编码器部分与Ｓｅｇｎｅｔ都采用ＶＧＧ１６［１Ｑ］的结构。??ＤｅｃｏｎｖＮｅｔ与Ｓｅｇｎｅｔ的不同之处在于网络最后增加了两层全连接层。??上述四种网络结构类似，都是编码器与解码器的结构，编码器部分是卷积层??与池化层的组合，解码器是上采样的过程，不同网络结构主要是上采样方法不同。??ＦＣＮ的上釆样方式是反卷积后与特征图相加，Ｕ－ｎｅｔ与ＦＣＮ上釆样方式相同，??ＤｅｃｏｎｖＮｅｔ是根据下釆样过程中最大池化的位置，将特征值映射到新的特征图中，??ＳｅｇＮｅｔ?与?ＤｅｃｏｎｖＮｅｔ?相同。??ＤｅｅｐＬａｂ—的一个主要目的是在帮助控制信号抽取的同时进行图像分割，从
是将全卷积??与全连接结合，在传统方法使用全卷积网络进行分割的基础上，増加全连接层??从而增加对全局视野的感知能力，提高了网络分割的位置精度，具有更好的效??果。??：（ａ）?！｜?（ｂ）?（ｃ）?（ｄ）?｜??Ｉ??！?Ｚ?．．．．．．．．．．．．￣?Ｔ?＾?Ｖ７＂?Ｉｉ?！！?ｆｌ＾?／?＾＾ｍａｓｋ；??！?．“ｆ?－?＾２＾／?ｊ?：?????￣Ｔ＂、广?誃’??；ｉ?；ｉ?（ｅ）??Ｉ?Ｉ?１?—?．．．．?ｉ?＇?１?ｉ?１??图２－３路径聚合分割网络［３６１??２．３基于全卷积网络的脑肿瘤分割??在脑肿瘤图像分割算法中，全卷积神经网络表现优异。多数方法针对Ｕ－Ｎｅｔ??与ＦＣＮ作出了改进。??基于全卷积神经网络的脑肿瘤分割网络（ＦＣＮＮ）＿介绍了使用２３层的全卷积??神经网络从磁共振图像（ＭＲＩ）中分割胶质瘤。??ＶＧＧ［３８］由一个下采样路径和三个上釆样路径组成，它们通过连接每个上采样??路径的层次特征表示来提取多层次的上下文信息。同时，该模型还提出了利用对??称差分图像来实现＾？称驱动的全卷积网络。??ＤＵＮｅｔ［３９］将双路卷积和ＧｏｏｇＬｅＮｅｔ［４Ｑ］中的ｉｎｃｅｐｔｉｏｎ模块添加到Ｕ－Ｎｅｔ结构中，??以利用更深层的特征。??混合金字塔Ｕ－Ｎｅｔ［４１］对Ｕ－Ｎｅｔ模型进行了扩展，提出了一种新的混合金字塔??Ｕ－Ｎｅｔ模型。该模型包括一个下采样路径和一个对称上采样路径，将上釆样和下釆??样路径的对称块的特征串联起来。在上采样过程中，该模型从每个块中提取多个??１３??
本文编号：3379135
【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】：61 页
【学位级别】：硕士
【部分图文】：
图２－１最大池化示意图??随着池化的进行，网络后面的特征尺度减小，同时随着卷积核的增多，特征??
ｔｉｌｅ?Ｊｉ?，?／ｒ?ｓｅｇｍｅｎｔａｔｉｏｎ??＾?￥?ｆ；?ｓ?ｍａｐ??ｓ?１１?Ｉ?Ｉ?ｉ?｜??Ｘ?Ｈ?＜?．?＇?屬－ｉｌ??ｉｒ．?ｉｓ??ｓ?ｓ笑?？??聲Ｌ茂１２Ｓ??ｆｌ?２Ｓ？?１２３??＿＿＿＿＿】声??会?Ｉ徐画—￣￣￣＾塗?？＿／３ｘ３．ＲｅＬＵ??￣ｉ?－－?ｙ?＂ｃｏｐｙａｎｄｃｒｏｐ??＾?＂！?Ｑ＾Ｅ１＊Ｓ１?ｆ?ｍａｘ?ｐｏｏ！?２ｘ２??二？?ｉ〇￡４?誊?４?ｕｐ－ｃｏｎｖ?２ｘ２??＾ｃ〇ｎｙｌｘｌ??图２－２Ｕ－Ｎｅｔ模型结构图［４］??ＳｅｇＮｅＷ对输入图像进行低维编码，然后利用解码器的方向不变性恢复图像。??这将在解码器端生成分段图像。Ｓｅｇｎｅｔ与ＦＣＮ结构相似但上釆样方式不同？?ＦＣＮ??使用反卷积上采样，而Ｓｅｇｎｅｔ记录池化过程中最大值的坐标位置，在上采样的过??程中将特征图的值映射到对应的位置，新特征图的其他位置特征值置零。??Ｄｅｃｏｎｖｎｅｔｆ９］在下釆样过程中，编码器部分与Ｓｅｇｎｅｔ都采用ＶＧＧ１６［１Ｑ］的结构。??ＤｅｃｏｎｖＮｅｔ与Ｓｅｇｎｅｔ的不同之处在于网络最后增加了两层全连接层。??上述四种网络结构类似，都是编码器与解码器的结构，编码器部分是卷积层??与池化层的组合，解码器是上采样的过程，不同网络结构主要是上采样方法不同。??ＦＣＮ的上釆样方式是反卷积后与特征图相加，Ｕ－ｎｅｔ与ＦＣＮ上釆样方式相同，??ＤｅｃｏｎｖＮｅｔ是根据下釆样过程中最大池化的位置，将特征值映射到新的特征图中，??ＳｅｇＮｅｔ?与?ＤｅｃｏｎｖＮｅｔ?相同。??ＤｅｅｐＬａｂ—的一个主要目的是在帮助控制信号抽取的同时进行图像分割，从
是将全卷积??与全连接结合，在传统方法使用全卷积网络进行分割的基础上，増加全连接层??从而增加对全局视野的感知能力，提高了网络分割的位置精度，具有更好的效??果。??：（ａ）?！｜?（ｂ）?（ｃ）?（ｄ）?｜??Ｉ??！?Ｚ?．．．．．．．．．．．．￣?Ｔ?＾?Ｖ７＂?Ｉｉ?！！?ｆｌ＾?／?＾＾ｍａｓｋ；??！?．“ｆ?－?＾２＾／?ｊ?：?????￣Ｔ＂、广?誃’??；ｉ?；ｉ?（ｅ）??Ｉ?Ｉ?１?—?．．．．?ｉ?＇?１?ｉ?１??图２－３路径聚合分割网络［３６１??２．３基于全卷积网络的脑肿瘤分割??在脑肿瘤图像分割算法中，全卷积神经网络表现优异。多数方法针对Ｕ－Ｎｅｔ??与ＦＣＮ作出了改进。??基于全卷积神经网络的脑肿瘤分割网络（ＦＣＮＮ）＿介绍了使用２３层的全卷积??神经网络从磁共振图像（ＭＲＩ）中分割胶质瘤。??ＶＧＧ［３８］由一个下采样路径和三个上釆样路径组成，它们通过连接每个上采样??路径的层次特征表示来提取多层次的上下文信息。同时，该模型还提出了利用对??称差分图像来实现＾？称驱动的全卷积网络。??ＤＵＮｅｔ［３９］将双路卷积和ＧｏｏｇＬｅＮｅｔ［４Ｑ］中的ｉｎｃｅｐｔｉｏｎ模块添加到Ｕ－Ｎｅｔ结构中，??以利用更深层的特征。??混合金字塔Ｕ－Ｎｅｔ［４１］对Ｕ－Ｎｅｔ模型进行了扩展，提出了一种新的混合金字塔??Ｕ－Ｎｅｔ模型。该模型包括一个下采样路径和一个对称上采样路径，将上釆样和下釆??样路径的对称块的特征串联起来。在上采样过程中，该模型从每个块中提取多个??１３??
本文编号：3379135
本文链接：https://www.wllwen.com/yixuelunwen/zlx/3379135.html
