醫(yī)學(xué)圖像分割是計(jì)算機(jī)輔助干預(yù)和診斷中最重要的步驟之一,但在醫(yī)學(xué)圖像處理領(lǐng)域要訓(xùn)練高準(zhǔn)確度的深度神經(jīng)網(wǎng)絡(luò)仍然存在難點(diǎn)。首先,由于手動(dòng)標(biāo)記醫(yī)學(xué)像素級(jí)標(biāo)簽耗時(shí)繁瑣且需要專業(yè)知識(shí),導(dǎo)致有標(biāo)簽的醫(yī)學(xué)圖像數(shù)據(jù)量一般很少,因此有效利用無標(biāo)簽數(shù)據(jù)對(duì)醫(yī)學(xué)圖像分割至關(guān)重要。其次,在腹部CT（Computed Tomography）圖像中,由于肝臟與相鄰器官的對(duì)比度低,肝臟形狀變化較大,與肝臟內(nèi)部腫瘤組織的對(duì)比度有差異,CT圖像存在噪聲等諸多原因,使得肝臟CT圖像分割成為一項(xiàng)具有挑戰(zhàn)性的任務(wù)。針對(duì)以上問題,本文提出了兩種基于半監(jiān)督學(xué)習(xí)的肝臟CT圖像自動(dòng)分割方法,分別是基于深度協(xié)同訓(xùn)練的肝臟CT圖像半監(jiān)督分割方法和基于分類的肝臟CT圖像半監(jiān)督分割方法。（1）基于深度協(xié)同訓(xùn)練的肝臟CT圖像半監(jiān)督分割方法的主要工作如下:半監(jiān)督學(xué)習(xí)中的協(xié)同訓(xùn)練方法只是將兩個(gè)分類器對(duì)無標(biāo)簽數(shù)據(jù)生成的偽標(biāo)簽交叉加入到訓(xùn)練集中,這會(huì)導(dǎo)入較大的誤差,且兩個(gè)分類器生成兩個(gè)結(jié)果導(dǎo)致最終結(jié)果的確定出現(xiàn)困難,本文提出基于深度協(xié)同訓(xùn)練的半監(jiān)督分割方法。這種方法通過粗略挑選和精細(xì)挑選兩個(gè)步驟選出置信度更高的偽標(biāo)簽加入到訓(xùn)練集中,以降低偽標(biāo)簽帶入的誤差... 

【文章來源】：蘭州財(cái)經(jīng)大學(xué)甘肅省

【文章頁數(shù)】：66 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

腹部CT圖像中肝臟分割面臨的挑戰(zhàn)

蘭州財(cái)經(jīng)大學(xué)碩士學(xué)位論文基于半監(jiān)督學(xué)習(xí)的肝臟CT圖像自動(dòng)分割方法研究152卷積神經(jīng)網(wǎng)絡(luò)在機(jī)器學(xué)習(xí)領(lǐng)域中，卷積神經(jīng)網(wǎng)絡(luò)被認(rèn)為是最受歡迎的算法之一，前饋人工神經(jīng)網(wǎng)絡(luò)，最常用于分析視覺圖像，被用于大部分對(duì)象識(shí)別任務(wù)，廣泛應(yīng)用于模式識(shí)別、語音識(shí)別、目標(biāo)檢測(cè)、計(jì)算機(jī)視覺等圖像處理領(lǐng)域[46]。卷積網(wǎng)絡(luò)和其他神經(jīng)網(wǎng)絡(luò)一樣，神經(jīng)元之間的連接模式模仿了動(dòng)物大腦視覺皮層的結(jié)構(gòu)，本章主要介紹了卷積神經(jīng)網(wǎng)絡(luò)中各組成部分的相關(guān)理論。2.1卷積層卷積神經(jīng)網(wǎng)絡(luò)（ConvolutionalNeuralNetworks，CNN）在1998年由Lecun[47]提出，利用計(jì)算機(jī)代替人工提取特征，能夠得到相對(duì)精確的識(shí)別結(jié)果。CNN中的隱藏層通常使用卷積層，池化層，全連接層等組成，而不是使用簡(jiǎn)單堆疊的完全連接的神經(jīng)元。常規(guī)人工神經(jīng)網(wǎng)絡(luò)和CNN之間的一個(gè)重要區(qū)別是，在常規(guī)人工神經(jīng)網(wǎng)絡(luò)中，激活函數(shù)直接應(yīng)用于每個(gè)隱藏神經(jīng)元的輸出，但是在CNN中，首先在激活函數(shù)之前應(yīng)用卷積和匯集函數(shù)。相對(duì)于其他圖像分類的方法，CNN不需要進(jìn)行大量的預(yù)處理操作[48]。在結(jié)構(gòu)上，CNN是由多個(gè)處理層組成的深度有向圖，每個(gè)處理層通過組合多個(gè)線性和非線性變換來學(xué)習(xí)其輸入的空間結(jié)構(gòu)。該分層技術(shù)使CNN能夠?qū)W習(xí)越來越高級(jí)的特征，提取固有的空間結(jié)構(gòu)，實(shí)現(xiàn)相關(guān)標(biāo)簽的預(yù)測(cè)。卷積的主要作用是從輸入圖像中學(xué)習(xí)特征，通過利用輸入信息的卷積核來學(xué)習(xí)圖像特征從而節(jié)省像素之間的空間連接。二進(jìn)制圖像可以用值0或1構(gòu)成的矩陣來表示，圖2.1展示了輸入圖像大小為5×5的矩陣表示，圖2.2展示了卷積核大小為3×3的矩陣表示。圖2.1輸入圖像

蘭州財(cái)經(jīng)大學(xué)碩士學(xué)位論文基于半監(jiān)督學(xué)習(xí)的肝臟CT圖像自動(dòng)分割方法研究16圖2.2卷積核計(jì)算過程為：首先將卷積核旋轉(zhuǎn)180°，將卷積核按照設(shè)定的步長(zhǎng)從左上角滑動(dòng)到右下角，將對(duì)應(yīng)元素相乘后相加，最后得到一個(gè)輸出矩陣，如圖2.3所示。圖2.3卷積輸出。左側(cè)是最后一步的計(jì)算過程，右側(cè)是輸出的特征圖卷積層在CNN的運(yùn)行中起到至關(guān)重要的作用，層參數(shù)集中在可學(xué)習(xí)卷積核的使用上。卷積核在空間維度上通常很小，沿著整個(gè)輸入深度分布。當(dāng)數(shù)據(jù)到達(dá)卷積層時(shí)，該層通過輸入的空間維度對(duì)每個(gè)濾波器進(jìn)行卷積，從而生成一個(gè)二維激活映射。當(dāng)輸入的數(shù)據(jù)為圖像時(shí)，神經(jīng)網(wǎng)絡(luò)會(huì)由于模型過大而無法有效訓(xùn)練，為了減輕這種問題，卷積層中的每個(gè)神經(jīng)元只連接到輸入數(shù)據(jù)的一小塊區(qū)域。該區(qū)域的維數(shù)通常被稱為神經(jīng)元的感受野大小，整個(gè)深度的連通性大小幾乎總是等于輸入的深度。例如，如果輸入到網(wǎng)絡(luò)的數(shù)據(jù)是一個(gè)大小為64×64×3的彩色圖像，感受野的大小設(shè)置為6×6，在卷積層內(nèi)的每個(gè)神經(jīng)元上共有6×6×3=108個(gè)權(quán)重。除此之外，卷積層能夠通過優(yōu)化輸出明顯降低模型的復(fù)雜度，主要通過深度、步長(zhǎng)和設(shè)置零填充三個(gè)超參數(shù)進(jìn)行優(yōu)化。（1）深度。卷積層產(chǎn)生的輸出體積的深度可以通過該層內(nèi)神經(jīng)元的數(shù)量手動(dòng)設(shè)置為輸入的相同區(qū)域，隱藏層中的所有神經(jīng)元都預(yù)先直接連接到每單個(gè)神經(jīng)元上。減少此超參數(shù)可以明顯減少網(wǎng)絡(luò)中神經(jīng)元的總數(shù)，但也會(huì)顯著降低模型的模式識(shí)別能力。

【參考文獻(xiàn)】：
期刊論文
[1]一種改進(jìn)粒子群優(yōu)化算法的Otsu圖像閾值分割方法[J]. 劉桂紅,趙亮,孫勁光,王星.  計(jì)算機(jī)科學(xué). 2016(03)
[2]結(jié)合區(qū)域生長(zhǎng)的多尺度分水嶺算法的肺分割[J]. 楊建峰,趙涓涓,強(qiáng)彥,王全.  計(jì)算機(jī)工程與設(shè)計(jì). 2014(01)
[3]基于分歧的半監(jiān)督學(xué)習(xí)[J]. 周志華.  自動(dòng)化學(xué)報(bào). 2013(11)

碩士論文
[1]基于內(nèi)容的中草藥圖像檢索關(guān)鍵技術(shù)研究[D]. 譚亮.浙江大學(xué) 2016



本文編號(hào)：3313783