發(fā)布時(shí)間：2021-02-07 23:02

　　醫(yī)學(xué)圖像分割的目的是將具有一定特殊含義的醫(yī)學(xué)影像圖片進(jìn)行相關(guān)特征的提取,為病理學(xué)研究和醫(yī)療診斷提供有效依據(jù)。由于醫(yī)學(xué)圖像具有較高的復(fù)雜性且缺少簡(jiǎn)單的線性特征,并且分割結(jié)果還會(huì)受到部分灰度不均勻性、容積效應(yīng)、不同軟組織間灰度的近似性、偽影等因素的影響,所以一直以來(lái),醫(yī)學(xué)圖像分割都是一個(gè)具有挑戰(zhàn)性的研究課題。在當(dāng)前比較主流的深度全卷積神經(jīng)網(wǎng)絡(luò)U-net中,研究人員只使用了長(zhǎng)跳躍連接來(lái)融合輸出特征以恢復(fù)下采樣中丟失的空間信息。該結(jié)構(gòu)會(huì)丟失部分淺層空間信息并且由于梯度消失問(wèn)題也限制了網(wǎng)絡(luò)的進(jìn)一步加深。本文設(shè)計(jì)了一個(gè)深度殘差結(jié)構(gòu)的全卷積網(wǎng)絡(luò),將ResNet中的短跳躍連接（殘差學(xué)習(xí)）引入到Unet結(jié)構(gòu)中,結(jié)合殘差學(xué)習(xí)中的恒等映射特性,既解決了梯度問(wèn)題,也使得網(wǎng)絡(luò)的性能得到了提升。雖然加深了網(wǎng)絡(luò)的深度,但與U-net相比本文提出的模型卻擁有更少的參數(shù)量。本文在電子顯微鏡（EM）圖像數(shù)據(jù)集和計(jì)算機(jī)斷層掃描（CT）圖像數(shù)據(jù)集上分別對(duì)該方法的性能與其他方法做了評(píng)估對(duì)比,結(jié)果表明本文提出的方法分割精度優(yōu)于包括U-net在內(nèi)的其他大部分方法。上面提出的模型雖然在分割精度上得到了一定的提升,但只是對(duì)每個(gè)像素的類(lèi)... 

【文章來(lái)源】：武漢科技大學(xué)湖北省

【文章頁(yè)數(shù)】：60 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分割方法的研究現(xiàn)狀
        1.2.2 生成對(duì)抗網(wǎng)絡(luò)的研究現(xiàn)狀
    1.3 本文內(nèi)容安排
第2章 基于深度學(xué)習(xí)的醫(yī)學(xué)圖像分割相關(guān)基礎(chǔ)
    2.1 醫(yī)學(xué)圖像分割概述
        2.1.1 醫(yī)學(xué)圖像分割定義
        2.1.2 醫(yī)學(xué)圖像分割效果評(píng)價(jià)指標(biāo)
    2.2 基于深度卷積網(wǎng)絡(luò)的圖像分割
        2.2.1 卷積神經(jīng)網(wǎng)絡(luò)（CNN）
        2.2.2 全卷積神經(jīng)網(wǎng)絡(luò)（FCN）
        2.2.3 U-net網(wǎng)絡(luò)結(jié)構(gòu)
        2.2.4 殘差網(wǎng)絡(luò)
    2.3 本章小結(jié)
第3章 基于U-net的殘差網(wǎng)絡(luò)結(jié)構(gòu)的醫(yī)學(xué)圖像分割算法
    3.1 圖像數(shù)據(jù)集及預(yù)處理
        3.1.1 細(xì)胞EM圖像數(shù)據(jù)集
        3.1.2 肺部CT圖像數(shù)據(jù)集
        3.1.3 圖像數(shù)據(jù)增強(qiáng)
    3.2 基于U-net的殘差網(wǎng)絡(luò)結(jié)構(gòu)的醫(yī)學(xué)圖像分割算法
        3.2.1 殘差塊設(shè)計(jì)
        3.2.2 加入殘差塊改進(jìn)后的網(wǎng)絡(luò)結(jié)構(gòu)
    3.3 實(shí)驗(yàn)與分析
        3.3.1 訓(xùn)練過(guò)程
        3.3.2 EM圖像數(shù)據(jù)集實(shí)驗(yàn)結(jié)果
        3.3.3 CT圖像數(shù)據(jù)集實(shí)驗(yàn)結(jié)果
    3.4 本章小結(jié)
第4章 基于生成對(duì)抗網(wǎng)絡(luò)（GANs）的圖像分割算法
    4.1 基于生成對(duì)抗網(wǎng)絡(luò)的圖像分割算法
        4.1.1 生成對(duì)抗原理
        4.1.2 條件生成對(duì)抗
        4.1.3 對(duì)抗訓(xùn)練損失函數(shù)
        4.1.4 分割對(duì)抗網(wǎng)絡(luò)模型結(jié)構(gòu)
    4.2 實(shí)驗(yàn)與分析
        4.2.1 訓(xùn)練過(guò)程
        4.2.2 EM圖像數(shù)據(jù)集結(jié)果
        4.2.3 CT圖像數(shù)據(jù)集結(jié)果
    4.3 本章小結(jié)
第5章 總結(jié)與展望
    5.1 工作總結(jié)
    5.2 未來(lái)展望
致謝
參考文獻(xiàn)
附錄1 攻讀碩士學(xué)位期間發(fā)表的論文
附錄2 攻讀碩士學(xué)位期間參加的科研項(xiàng)目
碩士學(xué)位論文（大摘要）


【參考文獻(xiàn)】：
期刊論文
[1]圖像分割方法在醫(yī)學(xué)領(lǐng)域中的應(yīng)用[J]. 鄭彩俠,張同舟,孫長(zhǎng)江,劉景鑫.  中國(guó)醫(yī)療設(shè)備. 2018(06)
[2]彩色圖像分割方法綜述[J]. 楊紅亞,趙景秀,徐冠華,劉爽.  軟件導(dǎo)刊. 2018(04)
[3]基于深度生成式對(duì)抗網(wǎng)絡(luò)的藍(lán)藻語(yǔ)義分割[J]. 楊朔,陳麗芳,石瑀,毛一鳴.  計(jì)算機(jī)應(yīng)用. 2018(06)
[4]血液紅細(xì)胞圖像自適應(yīng)標(biāo)記分水嶺分割算法[J]. 王婭.  中國(guó)圖象圖形學(xué)報(bào). 2017(12)
[5]基于改進(jìn)活動(dòng)窄帶模型的冠狀動(dòng)脈CT血管造影圖像分割[J]. 張夢(mèng)璐,楊孝平.  中國(guó)醫(yī)學(xué)物理學(xué)雜志. 2017(02)
[6]基于遺傳算法的醫(yī)學(xué)圖像配準(zhǔn)方法改進(jìn)[J]. 劉海玲,裴連群.  自動(dòng)化與儀器儀表. 2016(09)
[7]基于K-means和圖割的腦部MRI分割算法[J]. 田換,覃曉,元昌安,劉致錦,廖劍平.  數(shù)據(jù)采集與處理. 2016(05)
[8]基于改進(jìn)自仿射映射系統(tǒng)與參數(shù)活動(dòng)輪廓的醫(yī)學(xué)圖像分割算法[J]. 趙立川,高陽(yáng).  計(jì)算機(jī)應(yīng)用研究. 2017(02)
[9]醫(yī)學(xué)圖像分割及其發(fā)展現(xiàn)狀[J]. 江貴平,秦文健,周壽軍,王昌淼.  計(jì)算機(jī)學(xué)報(bào). 2015(06)



本文編號(hào)：3022957