前列腺癌是中老年男性常見(jiàn)惡性腫瘤。磁共振成像（MRI）因其具有對(duì)軟組織分辨率高,可多參數(shù)成像,能對(duì)任意斷層進(jìn)行掃描的特點(diǎn),被認(rèn)為是前列腺癌診斷和輔助治療的最佳醫(yī)學(xué)影像。準(zhǔn)確從前列腺磁共振圖像中分割出前列腺對(duì)輔助前列腺癌診斷具有重要價(jià)值,雖然近年來(lái)已有多種針對(duì)前列腺磁共振圖像的分割方法,但這些方法仍然不能適應(yīng)不同圖像數(shù)據(jù)集。醫(yī)學(xué)圖像算法的成功在一定程度上取決于高質(zhì)量輸入特征,然而,特征工程需要付出大量時(shí)間和精力,而且人工選擇特征表達(dá)能力差,泛化能力低,無(wú)法滿(mǎn)足目前圖像分割的需求。深度神經(jīng)網(wǎng)絡(luò)的多層結(jié)構(gòu)能夠有效的表達(dá)復(fù)雜函數(shù),從而使其能夠?qū)W習(xí)到具有較強(qiáng)表征能力的圖像特征,提高圖像識(shí)別的準(zhǔn)確性。本文使用三種全卷積神經(jīng)網(wǎng)絡(luò)U-Net、V-Net和Dense V-Net作為前列腺磁共振圖像分割方法的基礎(chǔ)對(duì)比方案,然后,在Dense V-Net和V-Net的基礎(chǔ)上提出一種基于密集連接的全卷積神經(jīng)網(wǎng)絡(luò)FC Dense V-Net。FC Dense V-Net中卷積層之間的連接使用Dense V-Net中密集連接的方式,這樣能夠?qū)崿F(xiàn)更大程度的特征復(fù)用,有效解決了現(xiàn)有模型不能同時(shí)獲取不同層次特征的缺點(diǎn);... 

【文章來(lái)源】：東南大學(xué)江蘇省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：61 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

全卷積神經(jīng)網(wǎng)絡(luò)[39]

東南大學(xué)碩士學(xué)位論文22圖3.1數(shù)據(jù)集中的分割示例3.1.2數(shù)據(jù)預(yù)處理本文使用深度學(xué)習(xí)模型的前列腺磁共振圖像的三維分割方法的流程圖如下所示。該流程圖主要包括三個(gè)主要步驟，第一步是數(shù)據(jù)集的預(yù)處理，第二步是數(shù)據(jù)增強(qiáng)，最后一步是神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練和測(cè)試。基于神經(jīng)網(wǎng)絡(luò)模型對(duì)前列腺磁共振圖像進(jìn)行自動(dòng)化分割的流程圖如圖3.2所示。開(kāi)始結(jié)束數(shù)據(jù)預(yù)處理數(shù)據(jù)增強(qiáng)神經(jīng)網(wǎng)絡(luò)模型圖3.2前列腺磁共振圖像自動(dòng)分割流程圖數(shù)據(jù)預(yù)處理在很多神經(jīng)網(wǎng)絡(luò)中扮演著很重要的作用，使用數(shù)據(jù)預(yù)處理能去掉原始數(shù)據(jù)之間的相關(guān)性，使算法能夠發(fā)揮最佳效果。數(shù)據(jù)集的選取和劃分在神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)程中起著十分關(guān)鍵的作用，同時(shí)，圖像數(shù)據(jù)的數(shù)目與質(zhì)量對(duì)網(wǎng)絡(luò)模型也有很大的影響。本文采用數(shù)據(jù)集共包含82個(gè)樣本數(shù)據(jù)，每個(gè)樣本包含15到55個(gè)數(shù)目不等的切片，以及對(duì)應(yīng)的醫(yī)生手工分割的結(jié)果圖像。本文的數(shù)據(jù)集由合作醫(yī)院提供，由于本文數(shù)據(jù)集包含的圖片數(shù)量不大，并且不同病人圖像的尺寸和分辨率不同。因此為了提高模型學(xué)習(xí)的性能，本文采用以下方式對(duì)原始數(shù)據(jù)進(jìn)行預(yù)處理：（1）前列腺磁共振圖像中，前列腺只占據(jù)很小的一部分，我們可以通過(guò)剪裁去除樣本中多余的不包含前列腺圖像信息的邊界，減小負(fù)樣本所占比例；

第三章基于FCN的前列腺M(fèi)RI的3D分割方法23（2）本文中的數(shù)據(jù)集大小形狀不一，作為輸入的話(huà)，很不方便，而且由于我們使用的GPU內(nèi)存有限，因此我們將數(shù)據(jù)集中的樣本數(shù)據(jù)統(tǒng)一重采樣為12812864作為輸入；圖3.3前列腺磁共振圖像手動(dòng)勾畫(huà)結(jié)果示意圖因?yàn)榫矸e神經(jīng)網(wǎng)絡(luò)對(duì)訓(xùn)練數(shù)據(jù)的多樣性及數(shù)量都有一定的要求，而收集的臨床數(shù)據(jù)集中的正樣本數(shù)量對(duì)于訓(xùn)練和測(cè)試卷積網(wǎng)絡(luò)來(lái)說(shuō)相對(duì)較少，因此我們還需對(duì)數(shù)據(jù)進(jìn)行增強(qiáng)。為了增加訓(xùn)練數(shù)據(jù)的數(shù)量，我們采用了多種數(shù)據(jù)擴(kuò)充方法。具體地說(shuō)，就是將每個(gè)訓(xùn)練樣本圖像進(jìn)行隨機(jī)平移、隨機(jī)上下翻轉(zhuǎn)、隨機(jī)左右翻轉(zhuǎn)以及隨機(jī)角度的隨機(jī)旋轉(zhuǎn)，以增加訓(xùn)練數(shù)據(jù)的多樣性及數(shù)量。在實(shí)驗(yàn)中，使用十折交叉驗(yàn)證的方式評(píng)估模型的性能，即隨機(jī)將90%的樣本數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，剩余的10%的樣本數(shù)據(jù)作為測(cè)試數(shù)據(jù)。前列腺磁共振圖像的手動(dòng)分割示意圖如圖3.3所示。3.2深度神經(jīng)網(wǎng)絡(luò)3DU-Net3.2.13DU-Net模型圖3.4是基于神經(jīng)網(wǎng)絡(luò)模型的前列腺磁共振圖像分割流程圖。

【參考文獻(xiàn)】：
期刊論文
[1]中國(guó)前列腺癌發(fā)病現(xiàn)狀和流行趨勢(shì)分析[J]. 韓蘇軍,張思維,陳萬(wàn)青,李長(zhǎng)嶺.  臨床腫瘤學(xué)雜志. 2013(04)
[2]醫(yī)學(xué)圖像分割方法綜述[J]. 林瑤,田捷.  模式識(shí)別與人工智能. 2002(02)



本文編號(hào)：3302365