近年來(lái),隨著深度學(xué)習(xí)的迅速發(fā)展,醫(yī)學(xué)圖像分割技術(shù)取得了重大突破。在這方面,U-Net一直是醫(yī)學(xué)影像界最流行的架構(gòu)。U-Net是一種端對(duì)端的對(duì)稱模型,在分割多模態(tài)醫(yī)學(xué)圖像方面表現(xiàn)了卓越的性能,為醫(yī)生診斷和治療病人提供了方便。但通過(guò)對(duì)醫(yī)學(xué)數(shù)據(jù)集進(jìn)行的多次實(shí)驗(yàn),發(fā)現(xiàn)傳統(tǒng)的U-Net在某些方面有不足的地方。因此本論文提出了一種新的深度學(xué)習(xí)模型來(lái)改進(jìn)經(jīng)典U-Net,本模型是基于DenseNet、ResNet的思想和U-Net的網(wǎng)絡(luò)結(jié)構(gòu),故稱它為ResDense UNet。并在皮膚病變的數(shù)據(jù)集和光學(xué)細(xì)胞的數(shù)據(jù)集上進(jìn)行了多次測(cè)試與比較。ResDense U-net與經(jīng)典U-Net相比,性能分別提升了3.07%、1.38%。雖然模型結(jié)構(gòu)沒(méi)有變化很大,但是在性能提升上較為明顯,同時(shí)在成像的細(xì)節(jié)方面也比UNet更為完善。本文創(chuàng)新點(diǎn)如下:第一,基于ResNet和DenseNet的思想,將原U-Net中的連續(xù)雙層卷積替換為ResDense-block,來(lái)緩解梯度消失和加強(qiáng)特征重用�？紤]到U-Net原有的通道數(shù)逐級(jí)倍增,對(duì)ResDense-block中的輸出通道做了些許調(diào)整,減少了參數(shù),防止過(guò)擬合。第二,將所有... 

【文章來(lái)源】：吉林大學(xué)吉林省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：44 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 選題背景
    1.2 研究意義
    1.3 本論文的主要內(nèi)容
第2章 卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)理論
    2.1 卷積與池化
    2.2 損失函數(shù)
    2.3 上采樣
    2.4 欠擬合與過(guò)擬合
    2.5 dropout
    2.6 優(yōu)化算法
第3章 基礎(chǔ)網(wǎng)絡(luò)
    3.1 ResNet
    3.2 DenseNet
    3.3 U-Net
第4章 歸一化
    4.1 批歸一化
    4.2 組歸一化
第5章 ResDense U-Net網(wǎng)絡(luò)結(jié)構(gòu)
    5.1 ResDense-block
    5.2 非對(duì)稱卷積塊
    5.3 Res連接
第6章 實(shí)驗(yàn)過(guò)程和結(jié)果
    6.1 訓(xùn)練過(guò)程
    6.2 實(shí)驗(yàn)結(jié)果
    6.3 后處理
第7章 總結(jié)與展望
    7.1 總結(jié)
    7.2 展望
參考文獻(xiàn)
致謝



本文編號(hào)：3203956