發(fā)布時間：2021-10-17 19:03

　　醫(yī)學(xué)圖像分割是計算機(jī)輔助診斷（Computer Aided Diagnosis,CAD）的關(guān)鍵步驟,也是醫(yī)學(xué)圖像進(jìn)一步分析的基礎(chǔ)。CT、磁共振（MRI）等醫(yī)學(xué)圖像是對比度較低的灰度圖像,圖像中的鄰近器官通常具有相似的密度和紋理,因此精確的醫(yī)學(xué)圖像分割具有挑戰(zhàn)性。目前,深度學(xué)習(xí)技術(shù)在許多計算機(jī)視覺任務(wù)中取得了巨大的成功,如對象檢測、圖像分類和圖像分割等。其中一些深度學(xué)習(xí)技術(shù)在醫(yī)學(xué)圖像研究領(lǐng)域也得到廣泛應(yīng)用。然而,針對醫(yī)學(xué)圖像分割任務(wù),還可以從以下兩個方面進(jìn)一步研究。第一,與自然圖像不同,醫(yī)學(xué)圖像中人體器官通常呈現(xiàn)相似的形狀和位置,這些特征可以被稱為解剖學(xué)先驗知識。由此可以考慮利用解剖學(xué)先驗知識,結(jié)合深度學(xué)習(xí)方法,提高醫(yī)學(xué)圖像中器官分割的性能。第二,深度學(xué)習(xí)模型的訓(xùn)練需要大量的標(biāo)注數(shù)據(jù),而醫(yī)學(xué)圖像分割任務(wù)的標(biāo)注數(shù)據(jù)集通常較小。因此,可以采用半監(jiān)督學(xué)習(xí)方法,同時使用有標(biāo)注和無標(biāo)注數(shù)據(jù)訓(xùn)練分割模型,從而減輕醫(yī)學(xué)圖像標(biāo)注的壓力�；谏鲜龇治�,本文針對醫(yī)學(xué)圖像中的器官分割任務(wù),對深度學(xué)習(xí)與解剖學(xué)先驗融合開展研究,有效利用醫(yī)學(xué)圖像解剖學(xué)先驗特征提高器官分割的性能。同時,針對醫(yī)學(xué)圖像標(biāo)注數(shù)據(jù)量較小的問... 

【文章來源】：浙江大學(xué)浙江省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：79 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景與意義
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 本文主要工作
    1.4 本文組織結(jié)構(gòu)
第2章 相關(guān)研究工作
    2.1 全監(jiān)督圖像分割方法
        2.1.1 基于多尺度的圖像分割方法
        2.1.2 基于注意力機(jī)制的圖像分割方法
        2.1.3 醫(yī)學(xué)圖像領(lǐng)域的全監(jiān)督分割方法
    2.2 半監(jiān)督圖像分割方法
        2.2.1 基于生成對抗網(wǎng)絡(luò)的圖像分割方法
        2.2.2 基于多任務(wù)的圖像分割方法
        2.2.3 醫(yī)學(xué)圖像領(lǐng)域的半監(jiān)督分割方法
    2.3 基于解剖學(xué)先驗的圖像分割方法
    2.4 損失函數(shù)
    2.5 本章小結(jié)
第3章 基于解剖學(xué)先驗的醫(yī)學(xué)圖像分割方法
    3.1 引言
    3.2 模型框架
    3.3 語義分割網(wǎng)絡(luò)
        3.3.1 Bottleneck
        3.3.2 ASPP
        3.3.3 Softmax
    3.4 基于解剖學(xué)先驗的DAP損失函數(shù)
        3.4.1 概率圖集
        3.4.2 DAP損失函數(shù)
    3.5 基于解剖學(xué)先驗的自適應(yīng)貝葉斯損失函數(shù)
    3.6 實驗設(shè)計與結(jié)果分析
        3.6.1 數(shù)據(jù)集與評價指標(biāo)
        3.6.2 超參數(shù)確定
        3.6.3 消融實驗
        3.6.4 模型驗證實驗
    3.7 本章小結(jié)
第4章 基于對抗學(xué)習(xí)的半監(jiān)督醫(yī)學(xué)圖像分割方法
    4.1 引言
    4.2 模型框架
    4.3 模型訓(xùn)練過程
    4.4 損失函數(shù)
        4.4.1 對抗學(xué)習(xí)損失函數(shù)
        4.4.2 分割損失函數(shù)
    4.5 實驗設(shè)計與結(jié)果分析
        4.5.1 數(shù)據(jù)集與評價指標(biāo)
        4.5.2 超參數(shù)確定
        4.5.3 消融實驗
        4.5.4 模型驗證實驗
    4.6 本章小結(jié)
第5章 基于先驗相似的半監(jiān)督醫(yī)學(xué)圖像分割方法
    5.1 引言
    5.2 模型框架
    5.3 有標(biāo)注數(shù)據(jù)訓(xùn)練
    5.4 無標(biāo)注數(shù)據(jù)訓(xùn)練
        5.4.1 開運(yùn)算
        5.4.2 相似度計算
    5.5 實驗設(shè)計與結(jié)果分析
        5.5.1 數(shù)據(jù)集與評價指標(biāo)
        5.5.2 超參數(shù)確定
        5.5.3 消融實驗
        5.5.4 模型驗證實驗
    5.6 本章小結(jié)
第6章 總結(jié)和展望
    6.1 本文工作總結(jié)
    6.2 本文工作展望
參考文獻(xiàn)
攻讀碩士學(xué)位期間主要的研究成果
致謝


【參考文獻(xiàn)】：
期刊論文
[1]基于先驗知識與DBM采樣的類不平衡用電數(shù)據(jù)分類方法[J]. 王凱亮,陸俊,徐志強(qiáng),齊增清,龔鋼軍,王赟.  電力系統(tǒng)自動化. 2019(20)
[2]基于背景連續(xù)性先驗知識的顯著性檢測[J]. 金一康,于鳳芹.  激光與光電子學(xué)進(jìn)展. 2019(12)



本文編號：3442267