近年來,腦部腫瘤分割成為醫(yī)學(xué)圖像處理研究領(lǐng)域的熱點(diǎn)問題。腦部腫瘤是神經(jīng)系統(tǒng)的常見疾病之一,對人體健康極為有害,其致死、致殘率極高。其中膠質(zhì)瘤是中樞神經(jīng)系統(tǒng)常見的惡性原發(fā)腫瘤,占所有腦瘤的50%左右。膠質(zhì)瘤分為低級別膠質(zhì)瘤（Low-grade glioma,LGG）和高級別膠質(zhì)瘤（High-grade glioma,HGG）,進(jìn)化為HGG的患者的平均預(yù)期壽命為兩年左右。因此,需要早發(fā)現(xiàn)早治療,才能有效地降低膠質(zhì)瘤對人體的傷害。現(xiàn)有的成像技術(shù)包括MRI（Magnetic resonance imaging）、CT（Computed tomography）和PET（Positron emission tomography）等,由于MRI獨(dú)特的優(yōu)勢,因此成為了腦腫瘤診斷和治療的主要成像方式。目前,已有許多研究者提出了高效的膠質(zhì)瘤MR圖像分割算法,但由于其侵潤生長、邊界模糊的特性,使得膠質(zhì)瘤的精確分割非常困難。為了有效地對腦膠質(zhì)瘤進(jìn)行精確分割,本文采用卷積神經(jīng)網(wǎng)絡(luò)（Convolutional neural networks,CNNs）和條件隨機(jī)場（Conditional random field... 

【文章來源】：湘潭大學(xué)湖南省

【文章頁數(shù)】：56 頁

【學(xué)位級別】：碩士

【圖文】：

膠質(zhì)瘤的四種MRI模態(tài)

少的參數(shù)和更深的結(jié)構(gòu)來學(xué)習(xí)有用的特征，從而實(shí)現(xiàn)任務(wù)準(zhǔn)確絡(luò)（Artificialneuralnetwork,ANN），由單層神經(jīng)網(wǎng)絡(luò)發(fā)展到多深度學(xué)習(xí)。深度學(xué)習(xí)能夠更好地解決復(fù)雜函數(shù)建模困難的問其表征和泛化能力也更為強(qiáng)大。近幾年，由于大數(shù)據(jù)的涌現(xiàn)發(fā)展，解決了深度學(xué)習(xí)所需要的大量數(shù)據(jù)以及計算、存儲等習(xí)在諸多領(lǐng)域取得了突破發(fā)展。目前，深度學(xué)習(xí)典型的模型度信念網(wǎng)絡(luò)（Deepbeliefnetwork,DBN）、自編碼器（Auto-enc（Boltzmann machine, BM）等。網(wǎng)絡(luò)經(jīng)網(wǎng)絡(luò)是受動物神經(jīng)網(wǎng)絡(luò)的啟發(fā)而建立的某種數(shù)學(xué)模型，在經(jīng)網(wǎng)絡(luò)（Neuralnetwork,NN）[38]。該網(wǎng)絡(luò)由大量的神經(jīng)元相互元的輸出都會作為下一層神經(jīng)元的輸入，其中每兩個神經(jīng)元個權(quán)重，網(wǎng)絡(luò)的輸出會根據(jù)神經(jīng)元之間的連接方式、權(quán)重值有所不同。圖 2.1 展示了一個基本的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖。

典的網(wǎng)絡(luò)模型進(jìn)行介紹。卷積神經(jīng)網(wǎng)絡(luò)的基本組成層感知器的不斷演變最終形成了卷積神經(jīng)網(wǎng)絡(luò)，它主要由以下幾部分、卷積層、激活函數(shù)、池化層、全連接層和輸出層[41]。入層：網(wǎng)絡(luò)的輸入通常是一個多通道的圖像數(shù)據(jù)，可以是完整的圖像一部分。積層：卷積是一種常見的線性運(yùn)算，通過卷積操作，可以增強(qiáng)原始圖，得到從一般特征到抽象特征再到更高級的特征描述，從而提取出有像信息。一般來說，一個卷積核對應(yīng)提取一個特征。每個卷積核與輸積操作，都能得到一組特征圖，也稱為特征映射，使用不同的卷積核不同特征的特征圖，如圖像輪廓、邊緣、灰度等特征。因此，我們通積核的方式來獲取更加豐富的圖像特征。卷積操作過程如圖 2.2 所示

【參考文獻(xiàn)】：
期刊論文
[1]結(jié)合深度學(xué)習(xí)與條件隨機(jī)場的遙感圖像分類[J]. 夏夢,曹國,汪光亞,尚巖峰.  中國圖象圖形學(xué)報. 2017(09)
[2]多模態(tài)磁共振成像在腦膠質(zhì)瘤鑒別診斷的應(yīng)用[J]. 熊赤,牛朝詩.  立體定向和功能性神經(jīng)外科雜志. 2013(01)
[3]重視腦轉(zhuǎn)移瘤的多學(xué)科協(xié)作處理[J]. 陳忠平,賽克.  中國神經(jīng)腫瘤雜志. 2010(03)
[4]一種優(yōu)化的用于中文分詞的CRF機(jī)器學(xué)習(xí)模型[J]. 王靖,徐向陽,符蓉.  微計算機(jī)信息. 2010(12)

博士論文
[1]MRI圖像的腦腫瘤分割方法研究[D]. 鄧萬凱.華中科技大學(xué) 2011



本文編號：3088756