腦腫瘤是最具侵略性和致命性的一種癌癥,會減少人的生命周期,嚴重的會導致死亡。因此準確的分割腫瘤以及合適治療計劃可以降低腦腫瘤對健康的危害。目前醫(yī)生通過手動方法分割腫瘤,然而手動分割依賴于醫(yī)生的臨床經(jīng)驗,容易造成誤差。而且不同的醫(yī)生有不同的評價標準,這也對準確的腦腫瘤分割帶來一定困難和挑戰(zhàn)。計算機輔助分割方法分割精度高,可以為醫(yī)生提供輔助性的診斷意見,有助于腦腫瘤疾病診斷和手術(shù)方案制定,從而提高治愈率。因此,研究高效且可靠的半自動或自動的計算機分割方法對于腦腫瘤疾病的診斷具有重要的臨床實際意義。近年來,基于卷積神經(jīng)網(wǎng)絡的自動分割方法在腦腫瘤分割領(lǐng)域獲得了較大的進展,但是依然存在不足。其中二維（Two dimensional,2D）卷積神經(jīng)網(wǎng)絡（Convolutional neural networks,CNNs）缺少空間信息,分割精度具有一定的局限性。而三維（Three dimensional,3D）CNNs雖然有較優(yōu)的分割性能,但是其參數(shù)量過大且計算復雜度過高。針對上述問題,本文提出了一種基于3D殘差卷積神經(jīng)網(wǎng)絡的算法用于腦腫瘤分割問題,該算法不但精確度高,而且具有較低的GPU內(nèi)存消耗... 

【文章來源】：湘潭大學湖南省

【文章頁數(shù)】：64 頁

【學位級別】：碩士

【部分圖文】：

縱向弛豫過程

3為T2對含水組織較為敏感，所以T2模態(tài)中更利于觀察組織病變。Flair常用于對腦脊液（Cerebralspinalfluid，CSF）抑制，使得腦脊液和腦水腫更加易于區(qū)分。T1C通過造影劑，加強對血管的顯示。在臨床診斷中，醫(yī)生基于常用的四種模特所提供的不同信息，給出最終的診斷結(jié)果。圖1.2顯示了一個病人的不同模態(tài)，從左到右分別是Flair，T1，T1C，T2。圖1.2腦膠質(zhì)瘤的不同模態(tài)1.1.3腦腫瘤分割的意義與其他類型的腫瘤相比，腦腫瘤是最致命的一種腫瘤。腦膠質(zhì)瘤又是腦腫瘤中最具侵略性的一種類型，會嚴重威脅人的生命[5]。腦膠質(zhì)瘤最常見的治療方法包括放射療法、化學療法和外科手術(shù)[1]。在早期發(fā)現(xiàn)并分割出LGG，采用相應的治療手段可以有效的控制病情的發(fā)展。對于HGG，準確的分割并給出對應的治療計劃可以延緩腫瘤的進一步惡化，延長病人的生命。這些治療方法依賴于常見的醫(yī)學影像技術(shù)，通常需要醫(yī)生通過MR成像手動分割腦膠質(zhì)瘤。由于腦膠質(zhì)瘤形態(tài)分布復雜，具有浸潤性[2]，所以分割情況復雜，再加上醫(yī)生長時間工作會因為疲勞而產(chǎn)生誤差，而且不同的醫(yī)生的判定標準不同，以上這些因素都給精確的分割出腦膠質(zhì)瘤帶來了更大的挑戰(zhàn)。一個自動或者半自動的計算機分割算法可以為醫(yī)生提供輔助性的診斷意見，減輕醫(yī)生工作量，提升醫(yī)生的工作效率，配合醫(yī)生給出更加準確的治療方案。因此，基于計算機的分割算法得到越來越多醫(yī)生的認可，大量的學者專家投入到這項研究中來。所以設(shè)計一個準確的計算機分割算法能夠有效的減輕醫(yī)生負擔并提高患者的治愈率。1.1.4研究的難點和挑戰(zhàn)傳統(tǒng)的機器學習方法在醫(yī)學影像分析領(lǐng)域已經(jīng)取得了不錯的進展，很多研究成果已經(jīng)被初步應用到不同的醫(yī)學影像領(lǐng)域。2012年以后隨著深度學習技術(shù)在醫(yī)學影像領(lǐng)域中取得重大突破，基于二

11絡的基本結(jié)構(gòu)和典型的網(wǎng)絡模型。卷積神經(jīng)網(wǎng)絡是由單一神經(jīng)元逐層堆疊而成，層與層之間相互連接，構(gòu)成了整個的卷積神經(jīng)網(wǎng)絡。其基本組成結(jié)構(gòu)有：輸入層、卷積層、池化層、激活函數(shù)和輸出層。1）輸入層卷積神經(jīng)網(wǎng)絡的輸入可以是圖像數(shù)據(jù)，假如輸入是RGB三通道的圖，那么輸入層將有3個卷積核對輸入圖像進行卷積操作。因為數(shù)據(jù)與數(shù)據(jù)之間的差異性往往很大，所以在輸入網(wǎng)絡之前，會進行數(shù)據(jù)預處理操作，如歸一化操作、白化，以及PCA降維等。同時為了增強網(wǎng)絡的泛化能力，還可以在輸入層之前進行數(shù)據(jù)增強操作，如旋轉(zhuǎn)、平移和仿射變換等。2）卷積層卷積層通過神經(jīng)網(wǎng)絡的卷積核對輸入圖像或特征圖進行卷積操作，以此來提取圖像特征。前一層輸出的特征再加上激活函數(shù)之后作為后一層的輸入特征，逐層傳遞，不斷組合和分解特征，最后得到輸出結(jié)果。淺層卷積層的特征往往具有較高分辨率，而且信息量更多，可以觀察出所提特征的具體含義，如邊緣、輪廓，以及一些具體的形狀。而高層特征更具有抽象性，肉眼難以識別特征意義。相對來說，低層次的特征對分割任務更為重要，高層次特征對分類任務更為重要。圖2.3卷積操作示例圖圖2.3顯示的是卷積的一個基本操作過程，其中深藍色表示大小為3×3的卷積核，淺藍色表示大小為5×5的特征圖。3×3卷積核的每一個位置上的權(quán)重與特征圖上對應位置的數(shù)值相乘，最后將9個數(shù)值相加得到圖中灰色方塊，即為一次卷積操作。卷積核以滑動窗口的形式從左至右從上到下進行滑動，滑動的步長可以自己設(shè)置。3）激活函數(shù)從圖2.3我們可以看出，卷積層的卷積操作是一個簡單的線性操作，但是現(xiàn)實中的各種特征描述通常是非線性的，而僅僅依靠線性操作幾乎不可能去擬合非

【參考文獻】：
期刊論文
[1]腦功能磁共振成像原理及其在神經(jīng)外科學中的應用[J]. 蘇春秋,邱小紅,馬蔚吟,郁蕓.  中國醫(yī)學裝備. 2015(03)
[2]一種基于Mum ford-Shah模型的腦腫瘤水平集分割算法[J]. 張治國,周越,謝凱.  上海交通大學學報. 2005(12)



本文編號：3088650