隨著成像技術(shù)的成熟,醫(yī)學影像在輔助腹部疾病的診斷中扮演著至關(guān)重要的角色。然而人體不同器官組織在影像中的呈現(xiàn)并無明顯的像素密度差異,這會對診斷過程造成極大的困擾。通過精確到像素級別的計算機相關(guān)技術(shù)來進行醫(yī)學圖像處理,有助于輔助實現(xiàn)精準醫(yī)療,因此對基于計算機技術(shù)的醫(yī)學圖像處理方法的相關(guān)研究具有重大而深遠的意義。本文便是基于深度學習和遷移學習等計算機技術(shù),進行腹部CT圖像分割和分類方法的相關(guān)研究。1.在肝臟及肝臟病變區(qū)域分割中,針對較小區(qū)域難以進行精準分割的問題,提出基于Inception-selected U-net（IsU-net）網(wǎng)絡(luò)的肝臟分割方法,并結(jié)合遷移學習實現(xiàn)肝臟病變區(qū)域的分割。在IsU-net中,首先在下采樣過程,通過結(jié)合不同感受野的卷積核的方式來從原始圖像中提取多種尺度的特征信息;其次在上采樣即特征信息恢復過程中,通過從對應(yīng)下采樣層結(jié)果中篩選有利的特征作為特征補充,從而減少相關(guān)特征信息的丟失;最后在訓練網(wǎng)絡(luò)時,綜合考量上采樣各個階段的誤差,實現(xiàn)對網(wǎng)絡(luò)的約束優(yōu)化,從而進一步提高恢復的特征信息的完成性。實驗證明,IsU-net能有效緩解肝臟分割中小區(qū)域難以精準分割的問題。2.在... 

【文章來源】：江蘇大學江蘇省

【文章頁數(shù)】：63 頁

【學位級別】：碩士

【部分圖文】：

CNNs卷積運算過程

基于卷積神經(jīng)網(wǎng)絡(luò)的肝臟圖像分割和分類技術(shù)研究14確性。本方法對于醫(yī)學圖像分割方法的研究也是基于U-net來進行的。圖2.2U-net網(wǎng)絡(luò)結(jié)構(gòu)圖Fig2.2ModelstructureofU-net2.2.3深度學習中的分類網(wǎng)絡(luò)在深度學習的發(fā)展過程中，經(jīng)典的擁有較強普適性的分類網(wǎng)絡(luò)有VGGNet[49]、InceptionNet[50]、DenseNet[51]、ResNet[52]。這四種網(wǎng)絡(luò)分別從不同的角度提高網(wǎng)絡(luò)提取特征的能力。不同的卷積核大小，提取的特征信息也是不同的，但是卷積核越大，訓練網(wǎng)絡(luò)的運算量也越大，VGG系列的網(wǎng)絡(luò)采用連續(xù)的幾個3×3的卷積核來代替5×5、7×7和11×11這樣更大的卷積核。對于相同的感受野，采用堆疊的較小尺寸卷積核優(yōu)于采用較大的卷積核，一方面小的卷積核需要的參數(shù)更少，因此能減少每次運算的代價；另一方面，一個大卷積核用多個小尺寸卷積核的串聯(lián)代替時，也可以增加非線性層的數(shù)量，多層非線性層可以通過增加網(wǎng)絡(luò)深度來保證網(wǎng)絡(luò)能學習更復雜的模式。Inception系列網(wǎng)絡(luò)與傳統(tǒng)的通過加深網(wǎng)絡(luò)深度來提高模型性能的一層一卷積方式大不相同，該網(wǎng)絡(luò)設(shè)計了名為Inception的模塊來代替普通卷積，Inception模塊的結(jié)構(gòu)如下圖2.3所示，該模塊采用將不同大小的卷積核并聯(lián)的方式，在保證網(wǎng)絡(luò)深度的同時通過加寬網(wǎng)絡(luò)來提高模型性能。如果將上述5×5、7×7和11×11的卷積核并聯(lián)，雖然可以在一定程度上提升網(wǎng)絡(luò)性能，但是隨之而來的更是巨大的以當時計算機硬件條件還難以負擔的參數(shù)運算量；因此在設(shè)計Inception時，將5×5、7×7和11×11這些×大的卷積層拆分成1×和×1兩種卷積層的串聯(lián)，與此同時添加1×1的卷積來減少運算量。

江蘇大學工學碩士學位論文15圖2.3Inception模塊結(jié)構(gòu)圖Fig2.3ModuleStructureofInception上述兩種網(wǎng)絡(luò)都是從改變卷積層內(nèi)部結(jié)構(gòu)來提升模型性能，而傳統(tǒng)的CNN因為通常是不同卷積層的串聯(lián)，每一層卷積層的輸入只包含它前一層卷積層的輸出，所有當進一步加深網(wǎng)絡(luò)深度的時候，難以避免的會出現(xiàn)一個問題——有些有用特征在經(jīng)過很多層之后就消失了，而DenseNet和ResNet的初衷就是為緩解這個問題。DenseNet為確保網(wǎng)絡(luò)層之間的最大信息流，在所有卷積層之間都建立直接連接。為保持前饋特性，在逐層進行卷積操作時不會出現(xiàn)信息丟失的現(xiàn)象，DensetNet每個卷積層都會從前面的所有層獲得額外的輸入，同時將自己本身的輸出特征傳遞給后面的所有層，具體結(jié)構(gòu)如圖2.4所示。DenseNet雖然保證了網(wǎng)絡(luò)的前饋信息丟失，但同時也增加了特征信息的冗余和網(wǎng)絡(luò)的運算量。圖2.4DenseNet結(jié)構(gòu)圖Fig2.4ModelStructureofDenseNet相較DenseNet這種所有層之間建立連接的方式，ResNet通過在間隔一定層數(shù)的卷積層連接之間設(shè)計一種跳躍式的連接并稱這種連接為殘差連接，如圖2.5所示。ResNet其實提供了兩種選擇，一是通過殘差連接通過兩路信息的傳達，即上一層的原始信息和加工過的信息的傳達來解決網(wǎng)絡(luò)傳播過程中信息丟失的問題，同時只增

【參考文獻】：
期刊論文
[1]基于超像素的聯(lián)合能量主動輪廓CT圖像分割方法[J]. 劉俠,甘權(quán),劉曉,王波.  光電工程. 2020(01)
[2]基于卷積神經(jīng)網(wǎng)絡(luò)的腎臟占位CT圖像的良惡性分類研究[J]. 周蕾蕾,張作恒,陳宇辰,付晶晶,殷信道,蔣紅兵.  國際生物醫(yī)學工程雜志. 2018 (05)
[3]結(jié)合改進的U-Net和Morphsnakes的肝臟分割[J]. 劉哲,張曉林,宋余慶,朱彥,袁德琪.  中國圖象圖形學報. 2018(08)
[4]醫(yī)學圖像分析深度學習方法研究與挑戰(zhàn)[J]. 田娟秀,劉國才,谷珊珊,鞠忠建,劉勁光,顧冬冬.  自動化學報. 2018(03)
[5]基于深度學習的醫(yī)學圖像識別研究進展[J]. 劉飛,張俊然,楊豪.  中國生物醫(yī)學工程學報. 2018(01)
[6]基于圖割和邊緣行進的肝臟CT序列圖像分割[J]. 廖苗,趙于前,曾業(yè)戰(zhàn),黃忠朝,鄒北驥.  電子與信息學報. 2016(06)
[7]自適應(yīng)區(qū)域生長算法在醫(yī)學圖像分割中的應(yīng)用[J]. 陸劍鋒,林海,潘志庚.  計算機輔助設(shè)計與圖形學學報. 2005(10)

碩士論文
[1]基于U-Net的肝臟CT圖像分割研究[D]. 張凱文.華南理工大學 2019



本文編號：3487521