近年來,由于卷積神經(jīng)網(wǎng)絡(luò)在自然語義圖像的處理上表現(xiàn)出了良好的性能,所以研究者嘗試將其應(yīng)用到醫(yī)學(xué)圖像領(lǐng)域。醫(yī)學(xué)圖像容易受到灰度、目標(biāo)還有噪聲的干擾,圖像會表現(xiàn)出較為突出的特性,使用傳統(tǒng)的醫(yī)學(xué)圖像分割算法難以精確的將圖像有效分割。本文依據(jù)醫(yī)學(xué)圖像的特點探討了基于卷積神經(jīng)網(wǎng)絡(luò)的醫(yī)學(xué)圖像分割問題,工作主要如下:1.研究分析了 Unet在肝臟CT圖像上的語義分割性能。根據(jù)肝臟CT影像的特點,在網(wǎng)絡(luò)中添加了批量歸一化算法,采用Dice系數(shù)損失函數(shù),對Unet網(wǎng)絡(luò)進(jìn)行訓(xùn)練。把肝臟數(shù)據(jù)集分為訓(xùn)練集、驗證集和測試集分別訓(xùn)練,將Unet上的肝臟分割結(jié)果和FCN分割結(jié)果對比,IOU值比FCN高0.56。2.研究了基于改進(jìn)Unet的視網(wǎng)膜血管圖像分割。為了解決血管在嘈雜背景下因容易變化導(dǎo)致的分割不精細(xì)問題,提出了一種添加了注意力機制的改進(jìn)Unet模型。首先,在上采樣和下采樣部分,將原始卷積模塊改為殘差卷積,不僅緩解了由于網(wǎng)絡(luò)層數(shù)過深存在的梯度爆炸或梯度消失的問題,還使不同層次的特征進(jìn)行疊加,豐富圖像的特征信息;其次,在網(wǎng)絡(luò)結(jié)構(gòu)中引入自適應(yīng)的注意力機制,使注意力系數(shù)對局部區(qū)域具有特異性,通過減小噪聲權(quán)值,來解決... 

【文章頁數(shù)】：76 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 醫(yī)學(xué)圖像處理的研究意義和背景
    1.2 醫(yī)學(xué)圖像分割的國內(nèi)外研究現(xiàn)狀
    1.3 醫(yī)學(xué)圖像的特點
    1.4 醫(yī)學(xué)圖像分割的發(fā)展前景
    1.5 主要研究內(nèi)容
第二章 醫(yī)學(xué)圖像分割理論知識
    2.1 醫(yī)學(xué)圖像格式和預(yù)處理
    2.2 卷積神經(jīng)網(wǎng)絡(luò)(CNN)
        2.2.1 輸入層
        2.2.2 卷積層
        2.2.3 激活函數(shù)
        2.2.4 池化層
        2.2.5 全連接層
        2.2.6 損失函數(shù)
    2.3 全卷積神經(jīng)網(wǎng)絡(luò)(FCN)
第三章 基于全卷積神經(jīng)網(wǎng)絡(luò)的肝臟CT語義分割
    3.1 引言
    3.2 肝臟分割算法構(gòu)建
        3.2.1 Unet網(wǎng)絡(luò)
        3.2.2 批量歸一化(BN)
        3.2.3 Dice損失函數(shù)
    3.3 實驗
        3.3.1 訓(xùn)練數(shù)據(jù)預(yù)處理
        3.3.2 實驗平臺
        3.3.3 實驗參數(shù)設(shè)置
        3.3.4 交并比
    3.4 實驗結(jié)果分析
    3.5 總結(jié)
第四章 基于改進(jìn)Unet的視網(wǎng)膜血管圖像分割
    4.1 引言
    4.2 視網(wǎng)膜血管分割算法的構(gòu)建
        4.2.1 Attention Gate(AG)
        4.2.2 損失函數(shù)
    4.3 網(wǎng)絡(luò)結(jié)構(gòu)與模型
        4.3.1 殘差網(wǎng)絡(luò)(Resnet)
        4.3.2 網(wǎng)絡(luò)結(jié)構(gòu)
    4.4 實驗結(jié)果與分析
        4.4.1 數(shù)據(jù)采集
        4.4.2 實驗結(jié)果分析
        4.4.3 算法改進(jìn)對比
    4.5 結(jié)論
第五章 基于改進(jìn)Unet的腦部腫瘤MRI圖像分割
    5.1 引言
    5.2 網(wǎng)絡(luò)結(jié)構(gòu)及算法原理
        5.2.1 密集跳躍連接(DenseNet)
        5.2.2 改進(jìn)的殘差模塊
        5.2.3 標(biāo)準(zhǔn)化層FRN
        5.2.4 混合損失函數(shù)
        5.2.5 網(wǎng)絡(luò)結(jié)構(gòu)
    5.3 實驗內(nèi)容與結(jié)果分析
        5.3.1 實驗數(shù)據(jù)集
        5.3.2 實驗評價指標(biāo)
        5.3.3 實驗結(jié)果分析
    5.4 結(jié)論
第六章 總結(jié)和展望
    6.1 總結(jié)
    6.2 展望
參考文獻(xiàn)
攻讀碩士期間研究成果
致謝


【參考文獻(xiàn)】：
期刊論文
[1]基于模糊C均值和隨機漫步的CT肝臟圖像分割算法研究[J]. 王琴琴.  中國醫(yī)療設(shè)備. 2020(09)
[2]基于多層全連接神經(jīng)網(wǎng)絡(luò)的白洋淀水質(zhì)預(yù)測[J]. 劉世存,楊薇,田凱,王歡歡,趙彥偉,朱曉磊.  農(nóng)業(yè)環(huán)境科學(xué)學(xué)報. 2020(06)
[3]計算機技術(shù)在通信中的應(yīng)用[J]. 宋文濤.  電子技術(shù)與軟件工程. 2020(06)
[4]Hybrid first and second order attention Unet for building segmentation in remote sensing images[J]. Nanjun HE,Leyuan FANG,Antonio PLAZA.  Science China（Information Sciences）. 2020(04)
[5]基于模式識別的生物醫(yī)學(xué)圖像處理研究現(xiàn)狀[J]. 徐瑩瑩,沈紅斌.  電子與信息學(xué)報. 2020(01)
[6]基于Attention機制的卷積神經(jīng)網(wǎng)絡(luò)文本分類模型[J]. 趙云山,段友祥.  應(yīng)用科學(xué)學(xué)報. 2019(04)
[7]基于小波變換灰度與彩色圖像融合算法研究[J]. 姚洪濤,侯懷俠,白會東.  現(xiàn)代計算機. 2019(12)
[8]基于可分離殘差模塊的精確實時語義分割[J]. 路文超,龐彥偉,何宇清,王建.  激光與光電子學(xué)進(jìn)展. 2019(05)
[9]圖像分割方法在醫(yī)學(xué)領(lǐng)域中的應(yīng)用[J]. 鄭彩俠,張同舟,孫長江,劉景鑫.  中國醫(yī)療設(shè)備. 2018(06)
[10]ReLU激活函數(shù)優(yōu)化研究[J]. 蔣昂波,王維維.  傳感器與微系統(tǒng). 2018(02)

碩士論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)算法與應(yīng)用研究[D]. 陳先昌.浙江工商大學(xué) 2014



本文編號：3717817