發(fā)布時間：2021-04-11 08:52

　　近年來,深度學(xué)習(xí)得到廣泛的研究,目前已成為一種主流的研究技術(shù)。深度學(xué)習(xí)在圖像分類﹑圖像識別﹑圖像檢索和目標檢測等各個領(lǐng)域都取得顯著成果,隨著深度學(xué)習(xí)在自然圖像語義分割上取得的突破性進展,由此將圖像分割擴展到醫(yī)學(xué)圖像上。由于醫(yī)學(xué)圖像自身的特性,導(dǎo)致許多先進的分割算法未能在醫(yī)學(xué)圖像取得好的結(jié)果,所以醫(yī)學(xué)圖像的分割需要特定的算法去實現(xiàn)�；诟倪M深度模型的醫(yī)學(xué)圖像分割,本文的主要工作如下:（1）針對目前醫(yī)學(xué)圖像分割常使用的Sigmoid激活函數(shù),可能產(chǎn)生梯度消失而影響網(wǎng)絡(luò)特征編碼能力的問題,本文提出基于編碼約束的全卷積分割網(wǎng)絡(luò)。醫(yī)學(xué)圖像分割本質(zhì)上是對每個像素的二分類,而Sigmoid激活函數(shù)常用于二分類,Sigmoid激活函數(shù)可以將特征映射到0-1之間。Sigmoid適用于二分類但卻可能導(dǎo)致梯度消失,本文通過一個約束編碼,在使用Sigmoid之前將編碼層特征值規(guī)范到0.5附近,以此來緩解梯度消失并提高特征編碼能力。針對基于全卷積在目標邊緣分割的粗糙性需要CRF對分割結(jié)果做平滑處理問題,本文提出利用生成對抗網(wǎng)絡(luò)端到端的實現(xiàn)醫(yī)學(xué)圖像的分割。通過實驗可視化分割結(jié)果表明在網(wǎng)絡(luò)中引入多尺度特征損失判別器... 

【文章來源】：山西大學(xué)山西省

【文章頁數(shù)】：69 頁

【學(xué)位級別】：碩士

【部分圖文】：

三維多層醫(yī)學(xué)圖像

基于深度學(xué)習(xí)的醫(yī)學(xué)圖像分割方法的研究8圖2.1三維多層醫(yī)學(xué)圖像2.3卷積神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)源于機器學(xué)習(xí)，是其一個分支，近年來被廣泛研究成為主流的研究方法。深度學(xué)習(xí)本質(zhì)是對數(shù)據(jù)的高層抽象，通過一系列復(fù)雜的結(jié)構(gòu)和非線性變換進行數(shù)據(jù)處理，屬于一種基于對數(shù)據(jù)進行表征學(xué)習(xí)的方法。深度學(xué)習(xí)最主要的優(yōu)勢就是能夠依靠模型提取特征進行表征學(xué)習(xí)，避免了原始需要人工去獲取特征。卷積神經(jīng)網(wǎng)絡(luò)CNN[26-28]是深度學(xué)習(xí)最具有代表性的學(xué)習(xí)模型。CNN是基于人工神經(jīng)網(wǎng)絡(luò)的一種改進，由于神經(jīng)網(wǎng)絡(luò)在一些領(lǐng)域均取得突破性成就，而傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)具有龐大的參數(shù)量，既耗費訓(xùn)練資源又耗時，為了改善這種狀況從而提出CNN。一個完整的CNN結(jié)構(gòu)主要由輸入層﹑卷積層[26,27]﹑池化層[26,27]﹑全連接層[26,27]和輸出層組成，其中卷積層，池化層和全連接層可以包含多個。CNN的訓(xùn)練包括前向傳播（前饋神經(jīng)網(wǎng)絡(luò)）和反向傳播算法[26]，其中反向傳播尤為重要。前向傳播就是數(shù)字圖像以矩陣的形式輸入網(wǎng)絡(luò)，經(jīng)卷積層計算提取有效特征，并利用激活函數(shù)做非線性處理以增強網(wǎng)絡(luò)的學(xué)習(xí)能力，當(dāng)產(chǎn)生的特征圖較大或參數(shù)量較多時可適當(dāng)采用池化層進行下采樣，最后通過全連接層進行映射輸出預(yù)測的結(jié)果。反向傳播算法是通過鏈式求導(dǎo)法則進行權(quán)重的更新。如圖2.2所示一個經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)，包含有卷積層，池化層和全連接層。圖2.2一個簡單的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

集具有相同的分布。卷積層，進行卷積計算是網(wǎng)絡(luò)的核心部分，本質(zhì)是一個濾波器[30]，利用一個確定大小的滑動窗口在輸入圖像上做乘運算和加運算，主要就是用來做特征提齲卷積層的多少決定了網(wǎng)絡(luò)的深度，卷積層越多網(wǎng)絡(luò)越深提取的特征越詳細越復(fù)雜。網(wǎng)絡(luò)的訓(xùn)練參數(shù)基本都在這一層。卷積層是以局部關(guān)聯(lián)為基礎(chǔ)進行窗口滑動。局部關(guān)聯(lián)要求同一個卷積核在對圖像不同部分進行滑動卷積計算時保持權(quán)重相同即權(quán)重共享。窗口滑動就是一個固定大小的矩陣在圖像矩陣上逐步平移。在進行卷積操作時需要知道步長，填充值，深度等相關(guān)概念如圖2.3所示。對于填充值要依據(jù)圖像尺寸和卷積核大小而定，目的是為了確保能夠讓滑動窗口覆蓋到整幅圖像。以55大小的圖像為例，給定滑動窗口大小33，步長為1，此時若對圖像進行卷積操作就無法完全覆蓋到所有像素而是差一個像素，通過填充padding=1，改變圖像大小為77。圖2.3卷積操作以及相關(guān)的概念卷積計算過程如圖2.4所示，即對應(yīng)元素先做乘運算再做加運算。圖中藍色矩陣為一個單通道輸入，最外層值為0的灰色框是填充值，紅色矩陣是卷積層的一個神經(jīng)元，經(jīng)過一次卷積運算后結(jié)果在最右邊的綠色矩陣中顯示�；瑒哟翱诖笮�33，步長為2，以綠色矩陣中第一個值計算為例，計算00+00+(-1)0+10+01+02+00+01+10=0，該計算過程即為紅色矩

【參考文獻】：
期刊論文
[1]注意力機制在深度學(xué)習(xí)中的研究進展[J]. 朱張莉,饒元,吳淵,祁江楠,張鈺.  中文信息學(xué)報. 2019(06)
[2]3D腦腫瘤分割的Dice損失函數(shù)的優(yōu)化[J]. 劉昊,王冠華,章強,李雨澤,陳慧軍.  中國醫(yī)療設(shè)備. 2019(05)
[3]圖像分割方法綜述[J]. 侯紅英,高甜,李桃.  電腦知識與技術(shù). 2019(05)
[4]基于深度CRF模型的圖像語義分割方法[J]. 胡濤,李衛(wèi)華,秦先祥,邱浪波,李小春.  空軍工程大學(xué)學(xué)報(自然科學(xué)版). 2018(05)
[5]基于改進激活函數(shù)的卷積神經(jīng)網(wǎng)絡(luò)研究[J]. 曲之琳,胡曉飛.  計算機技術(shù)與發(fā)展. 2017(12)
[6]NIFTI格式醫(yī)學(xué)圖像顯示方法研究[J]. 張光玉,徐龍春,張敏風(fēng),鄒越,張崗,趙文波,秦健,楊貴華,姜嬌嬌,閆呈新,宋莉,朱建忠.  中國醫(yī)學(xué)物理學(xué)雜志. 2017(07)
[7]卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 周飛燕,金林鵬,董軍.  計算機學(xué)報. 2017(06)
[8]圖像分割方法綜述研究[J]. 周莉莉,姜楓.  計算機應(yīng)用研究. 2017(07)
[9]卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 李彥冬,郝宗波,雷航.  計算機應(yīng)用. 2016(09)
[10]深度卷積神經(jīng)網(wǎng)絡(luò)在計算機視覺中的應(yīng)用研究綜述[J]. 盧宏濤,張秦川.  數(shù)據(jù)采集與處理. 2016(01)

碩士論文
[1]基于注意力機制的圖像分類深度學(xué)習(xí)方法研究[D]. 王培森.中國科學(xué)技術(shù)大學(xué) 2018
[2]基于深度學(xué)習(xí)的圖像分割研究與應(yīng)用[D]. 張華博.電子科技大學(xué) 2018
[3]基于深度學(xué)習(xí)的圖像分類技術(shù)研究[D]. 屈冰欣.西北工業(yè)大學(xué) 2015
[4]CT/MRI醫(yī)學(xué)影像分割算法研究[D]. 劉玲玲.天津醫(yī)科大學(xué) 2013
[5]圖像分割的算法研究[D]. 吳學(xué)明.成都理工大學(xué) 2006



本文編號：3130957