基于改进FCN的腹部图像分割方法研究

发布时间：2024-05-12 01:02

　　腹部存在许多重要器官,而腹部医学图像是腹部器官疾病的重要诊断依据,在临床实践中,医生对腹部器官和肿瘤的自动分割算法提出了很高的要求。然而,基于医学图像的分割方法的研究存在诸多困难和挑战:医学图像中严重的类间不平衡、差异小的问题;没有充足的标注数据;器官中肿瘤的数量、形状、大小、位置的多样性等,这些问题极易造成漏检、分割效果差等情况。随着人工智能和计算机视觉技术的不断成熟,基于医学图像的计算机辅助诊断技术进入了快速发展的阶段。机器学习,特别是深度学习在医学图像识别、分类和配准等方面起着至关重要的作用。自从全卷积网络(FCN)在语义分割中被提出后,出现了许多基于FCN的医学图像分割模型,其中U-Net是最成功的模型之一。然而,U-Net和U-Net的变体往往牺牲真实的分辨率来追求高层次的特性。另外,医学图像分割模型捕获多尺度特征并产生长距离相关性的能力也很少受到关注。由于上述问题的存在,目前尚未出现能够有效应用于临床的器官及肿瘤分割的辅助诊断工具,因此,本文对基于改进全卷积神经网络的腹部图像分割方法进行研究,主要工作包括:(1)基于上下文拼接网络的腹部图像分割方法研究,在医学图像分割任务中...

【文章页数】：67 页

【学位级别】：硕士

【部分图文】：

图１－２医学图像示例??

?第一章绪论???于医学图像分割中目标区域在整张切片中所占据的比例往往很小，需要将目标？区域框??出，或者设定目标占据输入图像的比例，避免输入图像为完全背景的图像。??其次，是上下文拼接阿络的研宄。根据对国内医院中的腹部ＣＴ、ＭＲ图像的了??解，将本文的研究童点放在２Ｄ模型。不同....

图２－１模型示例??常见的两种短跳跃连接是ＲｅｓＮｅｔ［２２＾Ｄ?ＤｅｎＳｅＮｅｔ［２３］中提出的残差模块及稠密模块，??如图２－２所示

?华南理工太学硕＇士学位论文???改进了图像分割的准确率。??ＦＣＮ和Ｕ－Ｎｅｔ提出后，许多类似的网络结构被提出，其中较为经典的改进思路就是??跳跃连接和辅助分类器，图２－１为一个模型示例。除了?Ｕ－Ｎｅｔ中提出的长跳跃连接之外，??还在特征提取器中加入了短跳跃连接，以及在＃？张....

图２－２残差模块与稠密模块示意個??，，２－２３Ｘ３，

?华南理工太学硕＇士学位论文???改进了图像分割的准确率。??ＦＣＮ和Ｕ－Ｎｅｔ提出后，许多类似的网络结构被提出，其中较为经典的改进思路就是??跳跃连接和辅助分类器，图２－１为一个模型示例。除了?Ｕ－Ｎｅｔ中提出的长跳跃连接之外，??还在特征提取器中加入了短跳跃连接，以及在＃？张....

图３－２显示了归一化前后图像切片的示例，经过妇一化的图像能够起到预分割的效??

?第三謂基于上下文拼接网络的腹部图像分猶方法???

本文编号：3970624