深度學習是人工智能領域的基礎,近幾年,在圖像處理中深度學習的應用廣泛,基于圖像的任務有很多,比如圖像識別、目標檢測、目標分割等……,本文主要研究醫(yī)學影像分割。本文中我們的研究對象為核磁共振醫(yī)學影像(MRI)和正電子發(fā)射型計算機斷層掃描影像(PET),分別為低場強的腹部MRI影像和腦部MRI和PET多模態(tài)醫(yī)學影像。其中腹部MRI影像中的分割目標是胃部區(qū)域,屬于人體自身器官,由于本文中腹部MRI影像主要輔助放療過程中放療儀聚焦,所以采用低場強MRI,使得影像質量較差,對比度低,胃部邊緣模糊,不利于胃部分割,為得到良好的分割結果,本文提出了基于遷移自編碼網絡約束的全卷積神經網絡分割方法。腦部影像的分割目標是癲癇病灶區(qū)域,屬于腦組織病變區(qū)域。腦部影像主要包含MRI影像和PET影像,針對腦部MRI/PET多模態(tài)影像,本文提出了多模態(tài)特征融合的全卷積神經網絡(Ynet),該網絡能夠同時利用MRI和PET影像對癲癇病灶進行學習,并結合了前景背景互補的分割思想。綜上,本文具體研究了以下三方面。(1)提出了一種基于胃部標簽的自編碼網絡約束的全卷積神經網絡遷移學習方法。采用全卷積神經網絡U-net作為基本網絡,并構造一個自編碼網絡用于學習胃部區(qū)域標簽的結構信息,將訓練好的自編碼網絡分別作用于腹部MRI影像的標簽圖和U-net網絡對腹部MRI影像的分割結果圖,分別生成兩個重構圖img1、img2,利用img1和img2構造一個Dice損失來引導U-net基本網絡的優(yōu)化方向。U-net網絡結構是完全對稱的,網絡結構簡單描述如下:四次下采樣層,下采樣層之間包含卷積核數目不同的卷積層,四次上采樣層,上采樣層之間同樣包含卷積核數目不同的卷積層,下采樣結構層又稱作編碼層,上采樣結構層又稱解碼層,在編碼層和解碼層之間有跳躍連接層,跳躍連接層用來將淺層卷積特征和深層卷積特征融合,聯合了高層語義和底層的細粒度表層信息,能夠很好的符合分割對高層語義信息和底層細粒度表層信息的依賴。用U-net網絡首先在高質量的腹部MRI影像上學習胃部區(qū)域的紋理信息,并且使用低質量影像的標簽訓練自編碼網絡,以學習胃部區(qū)域的輪廓、形狀信息,再將學習好的網絡在低質量的腹部影像上進行fine-tuning。(2)提出了一種基于多模態(tài)特征融合的前背景互補癲癇病灶分割方法。該多模態(tài)網絡的兩個支網絡分別用于學習MRI影像特征和PET影像特征,支網絡的網絡結構采用U-net的編碼解碼結構。多模態(tài)網絡的深層結構用于將支網絡提取的MRI影像特征和PET影像特征進行特征融合,融合的方法我們采用了特征層疊加、特征層加權求和,實驗表明特征疊加的方法更適用于癲癇病的多模態(tài)影像特征的融合和分割。另外,我們采用以上模型著重學習非癲癇病灶的背景區(qū)域,采用基于背景學習的模型和基于癲癇病灶的學習模型在決策級進行分割結果融合,實驗表明結合基于背景的分割方法能夠對僅基于前景分割的方法進行一個補充和改善。(3)對于醫(yī)學影像數量少,不足以使網絡充分學習影像數據分布規(guī)律的問題,前兩個工作中我們采用了簡單的圖像處理方法進行圖像擴充,這樣擴充的數據與原始數據相似性較高。為了進一步充分利用有限的影像數據,我們提出了基于CycleGAN進行影像模態(tài)轉換的癲癇病灶分割方法。首先利用CycleGAN訓練學習MRI和PET影像之間的映射關系,從而能夠實現兩種模態(tài)之間的相互轉換獲取更多的樣本。實驗表明從MRI到PET的轉換更具有真實性,使用生成的PET影像能夠改善分割結果。
【學位單位】：西安電子科技大學
【學位級別】：碩士
【學位年份】：2019
【中圖分類】：R445.2;TP391.41
【部分圖文】：

sigmoid函數及導函數曲線圖

tanh函數曲線圖

relu函數曲線圖
【相似文獻】

相關期刊論文 前10條

1 侯旭京;;多模態(tài)隱喻淺析土味情話——基于綜藝節(jié)目《非常完美》男女嘉賓對話[J];海外英語;2019年22期

2 王芳;;網絡多模態(tài)環(huán)境下大學生外語學習焦慮及干預策略[J];海外英語;2019年21期

3 王璐璐;張朝霞;;多模態(tài)教學模式在大學英語詞匯教學中的應用[J];信陽農林學院學報;2019年04期

4 葉永青;;互動構建的時空延展和情感變遷——電子哀悼多模態(tài)語類特征[J];天津外國語大學學報;2020年01期

5 董芮君;史琪;;西安城市形象廣告語篇的多模態(tài)意義構建[J];北極光;2019年12期

6 范振強;郭雅欣;;多模態(tài)隱喻的前沿理論研究：問題與展望[J];阜陽師范學院學報(社會科學版);2019年06期

7 王榮斌;薛耀琴;;4～5歲漢語兒童否定行為的多模態(tài)表征特點[J];學前教育研究;2020年01期

8 黃立鶴;張德祿;;多核并行架構:多模態(tài)研究的范式、路徑及領域問題之辨[J];外語教學;2019年01期

9 趙雨菲;;近五年我國多模態(tài)翻譯研究綜述[J];農家參謀;2019年04期

10 閆雪鋒;;多模態(tài)話語視域下“翻轉課堂”教學模式的改革與探索——以西安職業(yè)技術學院公共基礎課為例[J];才智;2019年10期

相關博士學位論文 前10條

1 王普明;基于特征張量的大數據多模態(tài)分析研究[D];華中科技大學;2019年

2 盧洪陽;清醒小動物多模態(tài)腦光學成像技術及應用[D];上海交通大學;2016年

3 趙維;基于多模態(tài)影像數據的腦網絡研究[D];湖南師范大學;2019年

4 曹俊亮;水下滑翔機多模態(tài)運動控制與路徑規(guī)劃研究[D];上海交通大學;2016年

5 胡敏;多模態(tài)靶向納米探針在微小肝癌的診斷及光熱治療的實驗研究[D];南方醫(yī)科大學;2018年

6 劉曌雯;多模態(tài)生物數據分析與挖掘研究[D];西安電子科技大學;2018年

7 張靈均;多模態(tài)數據分類的模糊粗糙方法研究[D];天津大學;2017年

8 張淑美;基于數據驅動的復雜多模態(tài)過程模態(tài)識別及過程監(jiān)測研究[D];東北大學;2016年

9 屈雯;基于多模態(tài)內容分析的多視角視頻推薦技術研究[D];東北大學;2015年

10 馬騰;基于mVEP和MI多模態(tài)腦機接口的關鍵技術研究[D];電子科技大學;2018年

相關碩士學位論文 前10條

1 雅茹罕;多模態(tài)教學應用于國際漢語興趣課的行動研究[D];北京外國語大學;2019年

2 李瑤;小樣本的多模態(tài)遙感影像融合分類方法[D];上海海洋大學;2019年

3 何寶華;多模態(tài)演講語篇評價意義的建構[D];廣東外語外貿大學;2019年

4 邵阿芳;基于多模態(tài)話語分析的商業(yè)廣告英漢翻譯研究[D];廣東外語外貿大學;2019年

5 王達;多模態(tài)過程集合型故障診斷方法研究[D];沈陽理工大學;2019年

6 馬文康;基于聚多巴胺構建的多模態(tài)納米診療探針的合成及應用[D];南京郵電大學;2019年

7 楊帆;引入多模態(tài)隱喻理念的文化創(chuàng)意產品設計[D];浙江理工大學;2019年

8 杜立寰;基于多模態(tài)深度學習的疲勞駕駛檢測[D];上海交通大學;2018年

9 張越;基于多模態(tài)磁共振腦影像特征的精神分裂癥自動分類及個體化預測研究[D];華南理工大學;2019年

10 李珍珍;阿爾茲海默癥多模態(tài)輔助診斷模型研究[D];河南大學;2019年

本文編號：2857599