基于多尺度密集网络与两级残差注意力的乳腺肿瘤分割方法研究

发布时间：2023-05-04 00:00

　　近年来,乳腺癌在女性疾病中的发病率越来越高,同时也是导致女性死亡最严重疾病之一。为了有效并且及时地发现乳腺癌,提高患者的生存质量,越来越多的研究人员致力于乳腺癌图像的检测分析技术。在众多医学影像检测技术中,核磁共振成像是一种有效的乳腺癌检测工具。因此基于乳腺核磁共振成像(MRI)的自动肿瘤分割,是当今的研究热点之一。虽然深度学习技术在乳腺肿瘤图像处理方面有很多突破,但是仍然存在一些难点。基于乳腺肿瘤MRI分割的挑战主要包括以下两点:一方面,病灶区域与正常组织之间的大小严重失衡,属于类别不平衡问题;另一方面,正常组织与病灶之间相互重叠,会影响到检测结果。为了应对上述乳腺肿瘤分割的挑战,本文提出一种基于两级上下文增强残差注意力的多尺度密集编码-解码器(TLCRAM-MDED)。对于TLCRAM-MDED,在编码阶段中,本文将两级残差注意力模块(TLCRAM)与基于密集块的编码结构相结合,用以重复利用不同层的特征并且细化特征。同时,在编码器的末端使用多尺度信息感知模块替代传统池化,从而获得更大的感受野,丰富提取的语义信息,避免因为下采样操作而造成信息丢失。在解码阶段中,通过与编码器TLCRA...

【文章页数】：79 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 研究背景和意义
    1.2 国内外研究现状
        1.2.1 传统的乳腺肿瘤分割方法
        1.2.2 基于深度学习的乳腺肿瘤分割方法
    1.3 研究内容
    1.4 本文组织架构
    1.5 本章小结
第二章 相关技术介绍
    2.1 卷积神经网络
        2.1.1 经典的特征提取网络
        2.1.2 全卷积神经网络
    2.2 注意力机制
        2.2.1 基于LSTM的注意力
        2.2.2 空间转换网络
        2.2.3 通道注意力
    2.3 多尺度信息提取
        2.3.1 多尺度注意力画框生成
        2.3.2 多尺度空洞卷积
    2.4 本章小结
第三章 基于两级上下文增强的残差注意力模块
    3.1 基于注意力机制的病灶定位
    3.2 注意力模块构建
        3.2.1 两级上下文增强注意力
        3.2.2 基于残差注意力的长-短连接网络
    3.3 特征图的可视化
    3.4 本章小结
第四章 多尺度信息感知的病灶分割网络
    4.1 通道扩充模块
    4.2 基于共享内存的特征提取单元
    4.3 多尺度信息感知模块
    4.4 基于跳跃连接的解码器
    4.5 本章小结
第五章 实验设计与结果分析
    5.1 实验环境
    5.2 实验设置
        5.2.1 数据集
        5.2.2 训练参数设置
        5.2.3 评估指标
    5.3 乳腺肿瘤分割实验设计与结果分析
        5.3.1 分割网络策略贡献分析
        5.3.2 注意力模块TLCRAM分析
        5.3.3 多尺度信息感知模块分析
        5.3.4 分割结果与其他模型比较
    5.4 乳腺癌前哨淋巴结转移预测实验
        5.4.1 多尺度双路感知病灶模型构建
        5.4.2 乳腺癌前哨淋巴结转移预测结果
    5.5 本章小结
第六章 总结与展望
    研究工作总结
    工作展望
参考文献
攻读硕士学位期间取得的研究成果
致谢
附件



本文编号：3807547