隨著計(jì)算機(jī)數(shù)據(jù)處理能力的加快和人工智能技術(shù)的成熟,醫(yī)生越來(lái)越多地使用數(shù)字圖像來(lái)進(jìn)行輔助診斷治療,其中X光檢查是一種有效篩查疾病的傳統(tǒng)方法,它在診斷治療的不同階段使用,包括骨折診斷治療、評(píng)價(jià)骨骼成熟度、骨密度測(cè)量和手術(shù)前的治療計(jì)劃等。X線片中骨組織的分割是計(jì)算機(jī)輔助預(yù)后、外科手術(shù)和治療的主要步驟,但是因?yàn)獒t(yī)學(xué)成像技術(shù)的限制和成像物體的特殊性,以及醫(yī)學(xué)圖像固有的特點(diǎn),如灰度不均勻、影像相互重疊、噪聲大且邊界模糊等,使醫(yī)學(xué)圖像的分割充滿挑戰(zhàn)。目前X線片骨組織的分割主要靠醫(yī)生手工標(biāo)記,不僅耗時(shí)耗力而且分割結(jié)果難以復(fù)現(xiàn),準(zhǔn)確率不穩(wěn)定�；诖�,本文的主要工作如下:1、以股骨為研究對(duì)象,針對(duì)目前X線片骨組織分割不能自動(dòng)化的問(wèn)題以及U-Net網(wǎng)絡(luò)在股骨分割中出現(xiàn)網(wǎng)絡(luò)退化問(wèn)題的不足,本文提出了一種新的深度神經(jīng)網(wǎng)絡(luò)R-U-Net。它結(jié)合了深度殘差網(wǎng)絡(luò)和U-Net架構(gòu)的優(yōu)勢(shì),使用殘差單元代替普通的神經(jīng)單元作為基本的塊,殘差單元內(nèi)部的跳躍連接和R-U-Net網(wǎng)絡(luò)的編解碼路徑有利于信息的前向傳播和后向計(jì)算,不僅可以簡(jiǎn)化訓(xùn)練,使網(wǎng)絡(luò)參數(shù)僅占U-Net的四分之一,而且能夠最大程度地提升網(wǎng)絡(luò)性能。2、設(shè)計(jì)并實(shí)現(xiàn)了股骨區(qū)域自動(dòng)分割框架,將提出的R-U-Net神經(jīng)網(wǎng)絡(luò)應(yīng)用于股骨區(qū)域自動(dòng)分割。橫向可分為神經(jīng)網(wǎng)絡(luò)訓(xùn)練階段和批量自動(dòng)分割階段兩個(gè)主要部分,縱向可分為數(shù)據(jù)預(yù)處理、神經(jīng)網(wǎng)絡(luò)訓(xùn)練與測(cè)試和圖像后處理三個(gè)主要部分。首先對(duì)原圖像預(yù)處理后標(biāo)注目標(biāo)區(qū)域制作標(biāo)簽圖,并對(duì)訓(xùn)練集進(jìn)行數(shù)據(jù)增強(qiáng);接著將其輸入到R-U-Net神經(jīng)網(wǎng)絡(luò)充分訓(xùn)練調(diào)參,保存優(yōu)化后的網(wǎng)絡(luò)模型;最后將待分割的測(cè)試圖像輸入到保存的網(wǎng)絡(luò)模型中得到股骨區(qū)域的輪廓,填充連通區(qū)域后進(jìn)行自定義掩碼操作得到股骨區(qū)域的分割結(jié)果,實(shí)現(xiàn)了端到端X線片股骨的完全自動(dòng)化分割。3、分別基于U-Net和R-U-Net神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了股骨區(qū)域的自動(dòng)分割。將預(yù)處理好的數(shù)據(jù)集在U-Net和R-U-Net神經(jīng)網(wǎng)絡(luò)上分別進(jìn)行訓(xùn)練和測(cè)試,對(duì)比其訓(xùn)練收斂過(guò)程可以看出,本文提出的R-U-Net神經(jīng)網(wǎng)絡(luò)改善了原始U-Net的不足,在股骨分割網(wǎng)絡(luò)模型的訓(xùn)練上表現(xiàn)得更加優(yōu)異。將最優(yōu)的模型分別保存下來(lái),著重使用醫(yī)學(xué)圖像分割中常用的五個(gè)度量指標(biāo)來(lái)定量的評(píng)價(jià)基于U-Net和基于R-U-Net神經(jīng)網(wǎng)絡(luò)的股骨區(qū)域自動(dòng)分割方法,以PhotoShop人工分割結(jié)果作為參考,實(shí)驗(yàn)結(jié)果表明,基于R-U-Net神經(jīng)網(wǎng)絡(luò)的方法在保證分割速度的同時(shí),分割結(jié)果與參考結(jié)果十分接近,具有較高的準(zhǔn)確性,且基于R-U-Net神經(jīng)網(wǎng)絡(luò)的股骨區(qū)域自動(dòng)分割效果不同程度的優(yōu)于其他兩種先進(jìn)的圖像分割方法,執(zhí)行效率更高,分割效果更佳。
【學(xué)位單位】：西安郵電大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2019
【中圖分類(lèi)】：TP18;TP391.41;R318
【部分圖文】：

1 1 26 7 8453 2 12 3 401Max pooling2*2 filtersStride 236 84圖 2.3 池化操作）來(lái)表示池化層的運(yùn)算：1( ( ) )l l l lj j j jy down y b 的第 j 張?zhí)卣鲌D， 是指激活函數(shù)，lj 是指本層的乘性ljb 是指本層的加性偏置。常作為最后一層，被用來(lái)編碼位置相關(guān)的信息和更全局經(jīng)網(wǎng)絡(luò)的連接方式一樣，前后層所有節(jié)點(diǎn)兩兩連接到一一起形成全局特征做特征映射，轉(zhuǎn)化為一維特征向量，對(duì)應(yīng)相加，最后用分類(lèi)器或回歸的方法取得最終的結(jié)果。

圖 3.5 Sigmoid 函數(shù)圖像 圖 3.6 Tanh 函數(shù)圖像圖 3.7 ReLU 函數(shù)圖像在激活區(qū)域（ x 0），ReLU 導(dǎo)數(shù)為 1，在非激活區(qū)域（ x 0），導(dǎo)數(shù)是以不會(huì)在錯(cuò)誤信號(hào)傳遞時(shí)將其改變，對(duì)于激活函數(shù)來(lái)說(shuō)，這似乎是一個(gè)奇怪的選為它在 0 處是不可微的。實(shí)際上，在零點(diǎn)處的不可微是無(wú)關(guān)緊要的，因?yàn)樯窠?jīng)網(wǎng)在實(shí)數(shù)中工作的，它在任何時(shí)刻都不太可能正好處在 x =0處，在 處的導(dǎo)數(shù)我

圖 3.5 Sigmoid 函數(shù)圖像 圖 3.6 Tanh 函數(shù)圖像圖 3.7 ReLU 函數(shù)圖像在激活區(qū)域（ x 0），ReLU 導(dǎo)數(shù)為 1，在非激活區(qū)域（ x 0），導(dǎo)數(shù)是以不會(huì)在錯(cuò)誤信號(hào)傳遞時(shí)將其改變，對(duì)于激活函數(shù)來(lái)說(shuō)，這似乎是一個(gè)奇怪的選為它在 0 處是不可微的。實(shí)際上，在零點(diǎn)處的不可微是無(wú)關(guān)緊要的，因?yàn)樯窠?jīng)網(wǎng)在實(shí)數(shù)中工作的，它在任何時(shí)刻都不太可能正好處在 x =0處，在 處的導(dǎo)數(shù)我

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 胡悅;;金融市場(chǎng)中的神經(jīng)網(wǎng)絡(luò)拐點(diǎn)預(yù)測(cè)法[J];金融經(jīng)濟(jì);2017年18期

2 李青華;李翠平;張靜;陳紅;王紹卿;;深度神經(jīng)網(wǎng)絡(luò)壓縮綜述[J];計(jì)算機(jī)科學(xué);2019年09期

3 遲惠生;陳珂;;1995年世界神經(jīng)網(wǎng)絡(luò)大會(huì)述評(píng)[J];國(guó)際學(xué)術(shù)動(dòng)態(tài);1996年01期

4 吳立可;;脈沖神經(jīng)網(wǎng)絡(luò)和行為識(shí)別[J];通訊世界;2018年12期

5 林嘉應(yīng);鄭柏倫;劉捷;;基于卷積神經(jīng)網(wǎng)絡(luò)的船舶分類(lèi)模型[J];信息技術(shù)與信息化;2019年02期

6 俞頌華;;卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展與應(yīng)用綜述[J];信息通信;2019年02期

7 韓真;凱文·哈特尼特;;為神經(jīng)網(wǎng)絡(luò)的通用理論建造基石[J];世界科學(xué);2019年04期

8 鮑偉強(qiáng);陳娟;熊濤;;基于進(jìn)化神經(jīng)網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測(cè)研究[J];電工技術(shù);2019年11期

9 陳曉燕;;淺析簡(jiǎn)單神經(jīng)網(wǎng)絡(luò)的發(fā)展及簡(jiǎn)單模型[J];數(shù)字技術(shù)與應(yīng)用;2019年05期

10 王麗華;楊秀萍;王皓;高崢翔;;智能雙輪平衡車(chē)的設(shè)計(jì)研究[J];數(shù)字技術(shù)與應(yīng)用;2018年04期

相關(guān)會(huì)議論文 前10條

1 孫軍田;張U

本文編號(hào)：2822144