隨著醫(yī)學影像技術的發(fā)展,基于心臟MR（Magnetic Resonance,MR）圖像左心室分割的心臟功能參數估算,對于診斷和治療相關疾病有著重大的意義。傳統的左心室分割方法存在分割準確率低或無法實現全自動分割等缺點,隨著深度學習的發(fā)展,特別是全卷積神經網絡在醫(yī)學圖像分割上的應用,心臟MR圖像左心室分割的準確率也得到了大幅度的提高,并且實現了全自動分割。本文研究了基于全卷積神經網絡的心臟MR圖像左心室分割方法,并且針對全卷積神經網絡分割結果的缺陷,提出了其快速后處理方法,論文的主要工作如下:（1）研究并分析了U-net網絡在心臟MR圖像左心室分割上的表現。介紹了U-net網絡的結構和特點,嘗試在U-net網絡中加入批量歸一化算法并采用基于Dice系數的損失函數對U-net網絡進行訓練。隨后介紹了公開的左心室分割數據集Sunnybrook數據集,將該數據集隨機分為訓練集、驗證集和測試集作為本文的訓練和測試數據。在實驗結果中,U-net網絡在測試集取得了0.892的Dice系數、0.893的召回率和0.921的準確率。（2）針對U-net網絡在心臟MR圖像左心室分割當中存在的不足,研究了改... 

【文章來源】：南京郵電大學江蘇省

【文章頁數】：71 頁

【學位級別】：碩士

【部分圖文】：

心臟結構圖

器官也包含在心臟MR圖像當中，且灰度值也較為接近，在舒張和收縮過程中可能與背景元素部分重合，難以標記，只能通過心室運動的動態(tài)電影對心室內膜邊緣進行判斷，人可以通過輔助手段進行內膜標記檢測，然而機器很有可能產生誤判，這種誤差一般較大。（2）處在不同層面的左心室在標記和自動分割時目標區(qū)域的特征和復雜度不同，因此將多層圖像放在一起訓練很容易將各層切片之間特征混淆。（3）目標對象即左心室的像素數量與背景像素數量極度不平衡。左心室所占像素大約只為整個圖像像素的5.1%，在靠近心尖位置的心室則更校圖1.2心臟MR示意圖到目前為止，左心室分割的方法通常可以歸納為傳統方法和深度學習方法。傳統方法包括：閾值分割法[13]、聚類分析法[14]、區(qū)域生長法[15]、圖割算法[16]和水平集分割法[17]。下面將具體介紹上述算法。（1）閾值分割法：閾值分割法的原理是按照某個固定或動態(tài)調整的灰度值將圖像分成不同的區(qū)域，閾值的設定對分割效果有很大的影響，并且當圖像中的噪聲與目標區(qū)域灰度值接近時，又需要其他算法的協助。（2）聚類分析法：聚類分析法按照設計的相似度匹配規(guī)則將像素點歸為左心室區(qū)域和非左心室區(qū)域，但需要人為的指定聚類個數、迭代次數和偏差閾值。（3）區(qū)域生長法：區(qū)域生長法需要人工標記初始的起點，起點附近的像素點按照生長規(guī)則對外進行擴張，直到沒有像素點可以擴張為止。該方法對存在噪聲的區(qū)域分割效果較差，不適合噪聲較多的心室分割。（4）水平集分割法：水平集方法利用求解偏微分方程巧妙的解決平面閉合曲線的演化問題，對方程進行迭代求解，最后得到目標輪廓。水平集方法需要在曲線演化前，提供初始輪廓線，并且對圖像邊緣有較高的依賴。左心室右心室非心臟區(qū)域

論文的結構安排


本文編號：2978342