腦腫瘤是威脅人類生命安全的常見腫瘤之一。統(tǒng)計資料表明,中國已是腦腫瘤發(fā)病人數(shù)和死亡人數(shù)的世界第一,腦腫瘤診斷復雜,難以治療。磁共振成像（MRI）十分適合人體腦部組織的成像,對腦腫瘤的檢測、分析具有重要的意義。影像科醫(yī)生可以通過閱讀MRI圖像初步判斷腦腫瘤是否存在以及具體發(fā)展情況,但MRI圖像數(shù)量較大,且有偽影等干擾,純粹依賴人工判斷費時費力,且有漏診、誤診的風險。以醫(yī)學圖像分析為代表的計算機輔助治療能夠幫助醫(yī)生閱讀MRI圖像,其中圖像分類技術(shù)能夠輔助判斷腦腫瘤的類別,而圖像分割技術(shù)能夠輔助確定腫瘤的形態(tài)和位置,這些技術(shù)能夠提高腦腫瘤診治的效率,進而輔助腦腫瘤患者的救助。近年來,傳統(tǒng)的圖像分類和分割方法逐漸被深度學習方法取代。深度學習方法不需要向傳統(tǒng)方法那樣人工提取特征,不存在因先驗知識導致的差異。本文利用深度學習、計算機視覺相關(guān)技術(shù),對腦腫瘤MRI圖像分類和分割技術(shù)進行研究,具體工作如下:1、對公共數(shù)據(jù)平臺上的腦腫瘤MRI圖像分類和分割數(shù)據(jù)集進行了分類和預處理,使數(shù)據(jù)集得到擴增并調(diào)整到模型需要的尺寸。2、提出了多深度結(jié)合的殘差網(wǎng)絡(luò)。通過對殘差網(wǎng)絡(luò)模型以及數(shù)據(jù)集防范過擬合風險的分析,將殘... 

【文章來源】：浙江大學浙江省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：70 頁

【學位級別】：碩士

【部分圖文】：

三層神經(jīng)網(wǎng)絡(luò)

浙江大學碩士學位論文第2章相關(guān)技術(shù)綜述12圖2.3卷積計算時元素對應計算過程在實際計算中，可以將輸出數(shù)組與一個偏差值相加，作為下一層的輸入。填充是指在輸入高和寬的兩側(cè)填充元素（通常是0元素）。圖2.4填充0元素的卷積計算如果在縱向填充的行數(shù)為ph行，在橫向填充的列數(shù)為pw列，那么輸出結(jié)果矩陣的尺寸將會是：1()(1)hhhwwwnkpnkp(1)也就是說，輸出的高和寬會分別增加ph和pw。在很多情況下，我們會設(shè)置ph=kh1和pw=kw1來使輸入和輸出具有相同的高和寬。這樣會方便在構(gòu)造網(wǎng)絡(luò)時推測每個層的輸出形狀。假設(shè)這里kh是奇數(shù)，我們會在高的兩側(cè)分別填充ph/2行。如果kh是偶數(shù)，一種可能是在輸入的頂端一側(cè)填充ph/2行，而在底端一側(cè)填充ph/2行。在寬的兩側(cè)填充同理。卷積神經(jīng)網(wǎng)絡(luò)經(jīng)常使用奇數(shù)高寬的卷積核，如1、3、5和7，所以兩端上的填充個數(shù)相等。對任意的二維數(shù)組X，設(shè)它的第i行、第j列的元素為Xij。當兩端上的填充個數(shù)相等，并使輸入和輸出具有相同的高和寬時，我們就知道輸出Yij是由輸入以Xij為中心的窗口同卷積核進行互相關(guān)計算得到的。卷積窗口從輸入數(shù)組的最左上方開始，按從左往右、從上往下的順序，依次

浙江大學碩士學位論文第2章相關(guān)技術(shù)綜述12圖2.3卷積計算時元素對應計算過程在實際計算中，可以將輸出數(shù)組與一個偏差值相加，作為下一層的輸入。填充是指在輸入高和寬的兩側(cè)填充元素（通常是0元素）。圖2.4填充0元素的卷積計算如果在縱向填充的行數(shù)為ph行，在橫向填充的列數(shù)為pw列，那么輸出結(jié)果矩陣的尺寸將會是：1()(1)hhhwwwnkpnkp(1)也就是說，輸出的高和寬會分別增加ph和pw。在很多情況下，我們會設(shè)置ph=kh1和pw=kw1來使輸入和輸出具有相同的高和寬。這樣會方便在構(gòu)造網(wǎng)絡(luò)時推測每個層的輸出形狀。假設(shè)這里kh是奇數(shù)，我們會在高的兩側(cè)分別填充ph/2行。如果kh是偶數(shù)，一種可能是在輸入的頂端一側(cè)填充ph/2行，而在底端一側(cè)填充ph/2行。在寬的兩側(cè)填充同理。卷積神經(jīng)網(wǎng)絡(luò)經(jīng)常使用奇數(shù)高寬的卷積核，如1、3、5和7，所以兩端上的填充個數(shù)相等。對任意的二維數(shù)組X，設(shè)它的第i行、第j列的元素為Xij。當兩端上的填充個數(shù)相等，并使輸入和輸出具有相同的高和寬時，我們就知道輸出Yij是由輸入以Xij為中心的窗口同卷積核進行互相關(guān)計算得到的。卷積窗口從輸入數(shù)組的最左上方開始，按從左往右、從上往下的順序，依次

【參考文獻】：
期刊論文
[1]中國腫瘤患者臨終關(guān)懷情況變遷——2000年～2019年文獻數(shù)據(jù)分析[J]. 郭嬋媛,葛文杰,繆群芳.  醫(yī)學與哲學. 2019(16)
[2]卷積神經(jīng)網(wǎng)絡(luò)（CNN）訓練中卷積核初始化方法研究[J]. 朱繼洪,裴繼紅,趙陽.  信號處理. 2019(04)
[3]A critical reflection on improving effective team communication[J]. Hua Yang.  Frontiers of Nursing. 2019(01)
[4]深度學習優(yōu)缺點的剖析[J]. 孫暉.  電子制作. 2018(18)
[5]圖像語義分割問題研究綜述[J]. 肖朝霞,陳勝.  軟件導刊. 2018(08)
[6]基于深度學習的醫(yī)學圖像識別研究進展[J]. 劉飛,張俊然,楊豪.  中國生物醫(yī)學工程學報. 2018(01)
[7]2014年中國分地區(qū)惡性腫瘤發(fā)病和死亡分析[J]. 陳萬青,孫可欣,鄭榮壽,張思維,曾紅梅,鄒小農(nóng),赫捷.  中國腫瘤. 2018(01)
[8]Rasmussen綜合征影像學表現(xiàn)1例[J]. 陳士新,劉海,萬濤,許華.  磁共振成像. 2017(12)
[9]深層網(wǎng)絡(luò)中的梯度消失現(xiàn)象[J]. 周祥全,張津.  科技展望. 2017(27)
[10]如何防止和減少電鍍過程中的磕碰[J]. 李飛,張濤,張國范,李云,秦宇.  電鍍與涂飾. 2017(15)

博士論文
[1]光譜成像技術(shù)在腦腫瘤病理診斷應用中的研究[D]. 魏巍.中國科學院研究生院(長春光學精密機械與物理研究所) 2015

碩士論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的模型在醫(yī)學圖像中的應用研究[D]. 卓俊宇.西北師范大學 2018
[2]非局部均值濾波去除圖像高斯噪聲的研究[D]. 常寧赫.西安電子科技大學 2015
[3]CT/MRI醫(yī)學影像分割算法研究[D]. 劉玲玲.天津醫(yī)科大學 2013
[4]基于SVM圖像分類方法的研究[D]. 吳小季.南京信息工程大學 2011
[5]圖像縮放算法研究及其FPGA實現(xiàn)[D]. 林媛.廈門大學 2006
[6]功能磁共振成像對腦腫瘤診斷的臨床研究[D]. 季倩.東南大學 2004



本文編號：3296913