乳腺癌是當(dāng)今世界女性最多發(fā)的惡性腫瘤,其發(fā)病率和死亡率呈逐年上升趨勢(shì)。如何利用腫瘤的分子病理信息改進(jìn)乳腺癌的早期檢測(cè)和治療方案是當(dāng)務(wù)之急。乳腺癌的組織學(xué)分級(jí)與Ki-67表達(dá)均對(duì)乳腺癌的預(yù)后治療提供了重要指導(dǎo)信息。磁共振成像（Magnetic resonance imaging,MRI）是一種多參數(shù)成像,其中動(dòng)態(tài)增強(qiáng)磁共振成像（Dynamic contrast enhancement MRI,DCE-MRI）和彌散加權(quán)成像（Diffusion weighted imaging,DWI）的聯(lián)合應(yīng)用可以提高乳腺癌診斷的準(zhǔn)確性。DCE-MRI不僅可以顯示出病變組織的形態(tài)學(xué)特征,也可以反映病變組織的微觀信息,其影像分辨率較高,但需提前注射造影劑。DWI能反映腫瘤的血管結(jié)構(gòu)和含水量等生物學(xué)特性,但是其影像分辨率較低。對(duì)于DWI而言,由于技術(shù)的限制,獲得理想分辨率的影像并不容易。低分辨率的影像往往會(huì)對(duì)專業(yè)醫(yī)師的準(zhǔn)確診斷造成阻礙。超分辨率（super-resolution,SR）重建技術(shù)通過(guò)從低分辨率（low-resolution,LR）圖像生成高分辨率（high-resolution,HR）圖像來(lái)解... 

【文章來(lái)源】：杭州電子科技大學(xué)浙江省

【文章頁(yè)數(shù)】：65 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

SRCNN網(wǎng)絡(luò)結(jié)構(gòu)圖

杭州電子科技大學(xué)碩士學(xué)位論文10圖2.1SRCNN網(wǎng)絡(luò)結(jié)構(gòu)圖SRCNN的結(jié)構(gòu)分為以下三個(gè)部分：第一步為特征提取和表示：對(duì)LR圖像進(jìn)行特征提取，并表示為特征圖，具體操作如式（2.7）：111F(Y)f(WYB)(2.7)其中Y為輸入的LR圖像，1W是大小為11ff的卷積核，*表示卷積運(yùn)算，1B為偏置項(xiàng)，f(x)表示ReLU激活函數(shù)。第二步為非線性映射：將第一步提取的特征圖映射至HR圖像所需的特征圖，具體操作如式（2.8）：2212F(Y)f(WF(Y)B)(2.8)其中2W是大小為22ff的卷積核，2B為偏置項(xiàng)。第三步HR圖像的重建：將第二階段映射后的特征恢復(fù)為HR圖像，具體操作如式（2.9）：3323F(Y)f(WF(Y)B)(2.9)其中3W是大小為33ff的卷積核，3B為偏置項(xiàng)，3F(Y)表示最終的HR圖像。（2）深度遞歸卷積網(wǎng)絡(luò)（Deeply-RecursiveConvolutionalNetwork，DRCN）2016年，韓國(guó)首爾國(guó)立大學(xué)的JiwonKim[52]等人提出了一種DRCN模型。和SRCNN相比，DRCN通過(guò)采用更多的卷積層來(lái)增加了網(wǎng)絡(luò)的感受野（41×41），同時(shí)為了防止產(chǎn)生過(guò)多的網(wǎng)絡(luò)參數(shù)，DRCN提出使用遞歸神經(jīng)網(wǎng)絡(luò)（RecursiveNeuralNetwork,RNN）。DRCN的網(wǎng)絡(luò)結(jié)構(gòu)如圖2.2所示：圖2.2DRCN網(wǎng)絡(luò)結(jié)構(gòu)圖

杭州電子科技大學(xué)碩士學(xué)位論文11與SRCNN類似，DRCN也主要分為三個(gè)部分：第一部分是“Embeddingnetwork”模塊，用來(lái)做特征提取和表示。第二部分是“Inferencenetwork”模塊，用來(lái)做特征的非線性變換，這個(gè)模塊采用RNN實(shí)現(xiàn)網(wǎng)絡(luò)參數(shù)的共享，從而避免產(chǎn)生過(guò)多網(wǎng)絡(luò)參數(shù)。第三部分是“Reconstructionnetwork”模塊，即從特征圖中重建出HR圖像。（3）深度卷積超分辨率網(wǎng)絡(luò)（Super-ResolutionUsingVeepDeepConvolutionalNetworks,VDSR）2016年11月，韓國(guó)首爾國(guó)立大學(xué)的Kim等人[53]又提出一種VDSR模型，其網(wǎng)絡(luò)架構(gòu)如圖2.3所示：圖2.3VDSR網(wǎng)絡(luò)結(jié)構(gòu)圖VDSR模型主要有以下幾點(diǎn)優(yōu)勢(shì)：擴(kuò)大感受野，可以獲得更多圖像信息；將殘差思想引入到超分辨任務(wù)中，學(xué)習(xí)LR圖像和HR圖像之間的殘差，提高收斂速度；可以設(shè)置不同尺度參數(shù)，對(duì)超分辨放大倍數(shù)進(jìn)行調(diào)整。（4）超分辨率生成對(duì)抗網(wǎng)絡(luò)（Super-ResolutionGenerativeAdversarialNetwork，SRGAN）2017年，Ledig等人將GAN的思想引入超分辨率重建任務(wù)提出了SRGAN模型。SRGAN有兩點(diǎn)創(chuàng)新：1）引入GAN中博弈對(duì)抗的思想；2）采用感知損失（包括對(duì)抗損失和內(nèi)容損失）替代MSE損失，使得生成器能夠生成紋理細(xì)節(jié)更加豐富的SR圖像。SRGAN的最終目標(biāo)是產(chǎn)生一個(gè)生成器模型，生成和原始HR圖像最接近的SR圖像。本論文第三章將對(duì)SRGAN進(jìn)行詳細(xì)介紹。2.5超分辨率影像評(píng)價(jià)指標(biāo)SR圖像重建之后需要對(duì)其進(jìn)行質(zhì)量評(píng)價(jià)。目前有兩類評(píng)價(jià)指標(biāo)：主觀評(píng)價(jià)指標(biāo)和客觀評(píng)價(jià)指標(biāo)。其中，主觀評(píng)價(jià)指標(biāo)關(guān)注的是人自身對(duì)重建圖像的視覺評(píng)價(jià)，一般采用平均主觀意

【參考文獻(xiàn)】：
期刊論文
[1]圖像質(zhì)量評(píng)價(jià):融合視覺特性與結(jié)構(gòu)相似性指標(biāo)[J]. 朱新山,姚思如,孫彪,錢永軍.  哈爾濱工業(yè)大學(xué)學(xué)報(bào). 2018(05)
[2]圖像超分辨率重建的研究進(jìn)展[J]. 曾凱,丁世飛.  計(jì)算機(jī)工程與應(yīng)用. 2017(16)
[3]圖像域自適應(yīng)線性自回歸MRI圖像客觀質(zhì)量提升算法研究[J]. 武博,李文志,張旭,段娟,孫智,梁志遠(yuǎn),張楠.  北京生物醫(yī)學(xué)工程. 2016(06)
[4]DCE-MRI原理及臨床應(yīng)用情況[J]. 王艾博,邊杰.  中國(guó)臨床醫(yī)學(xué)影像雜志. 2016(06)
[5]基于空間FCM與MRF方法的乳腺M(fèi)RI序列三維病灶分割研究[J]. 張承杰,厲力華.  中國(guó)生物醫(yī)學(xué)工程學(xué)報(bào). 2014(02)
[6]全數(shù)字化乳腺鉬靶X線攝影在乳腺癌診斷中的研究進(jìn)展[J]. 劉偉娟,黃飛.  中國(guó)中西醫(yī)結(jié)合影像學(xué)雜志. 2013(05)
[7]超分辨率圖像重建方法綜述[J]. 蘇衡,周杰,張志浩.  自動(dòng)化學(xué)報(bào). 2013(08)
[8]超分辨率重建算法綜述[J]. 劉娟娟.  科技信息. 2013(08)
[9]惡性腫瘤生物特性與Ki67基因表達(dá)的關(guān)系研究進(jìn)展[J]. 韋祝新,王紹豐.  中國(guó)醫(yī)藥導(dǎo)刊. 2011(08)
[10]基于ITK的醫(yī)學(xué)圖像配準(zhǔn)的應(yīng)用[J]. 謝昱銳,謝明元,楊玲.  計(jì)算機(jī)仿真. 2010(03)

碩士論文
[1]基于深度學(xué)習(xí)的單張低分辨率圖像的超分辨率技術(shù)的研究[D]. 劉一膠.北京郵電大學(xué) 2019
[2]基于T2WI和DCE-MRI影像特征融合的乳腺癌組織學(xué)分級(jí)預(yù)測(cè)研究[D]. 謝素丹.杭州電子科技大學(xué) 2019
[3]基于多參數(shù)影像和多任務(wù)學(xué)習(xí)方法的乳腺癌分級(jí)及Ki-67表達(dá)預(yù)測(cè)研究[D]. 趙文芮.杭州電子科技大學(xué) 2019
[4]基于生成對(duì)抗網(wǎng)絡(luò)的聲學(xué)圖像超分辨率研究[D]. 梁雪燦.哈爾濱工程大學(xué) 2019
[5]生成對(duì)抗網(wǎng)絡(luò)的圖像超分辨率重建[D]. 高春波.浙江理工大學(xué) 2019
[6]基于深度學(xué)習(xí)的醫(yī)學(xué)影像多特征融合分類算法研究[D]. 王齊耀.武漢理工大學(xué) 2018
[7]基于DCE-MRI的乳腺腫瘤異質(zhì)性區(qū)域分割方法及其在Ki-67表達(dá)預(yù)測(cè)中應(yīng)用[D]. 程虎.杭州電子科技大學(xué) 2018



本文編號(hào)：2949880