腦是人體中最為重要和復雜的器官,腦部疾病會對人類健康產(chǎn)生重大威脅。醫(yī)學影像技術(shù)可以用非入侵的方式取得腦部組織影像。將腦部醫(yī)學影像中不同組織、器官分割出來對于提升醫(yī)學診斷者對正常的、有病變器官的診斷能力有重大意義。人工分割影像中的不同組織器官費時、費力,且對于診斷者自身的水平要求較高。本文通過收集大量的醫(yī)學影像,設(shè)計了腦部醫(yī)學影像快速定位算法以及腦部影像分割算法,實現(xiàn)了腦部醫(yī)學影像自動分割系統(tǒng)。本文的主要工作如下:1.構(gòu)建醫(yī)學影像數(shù)據(jù)集。數(shù)據(jù)集由兩部分組成,一部分是552例人類電子計算機斷層掃描影像序列（CT）,另一部分是140例帶有標簽且包含T1、T1₁mm、T1_IR和T2_FLAIR四種模態(tài)的磁共振成像序列（MRI）。2.設(shè)計并實現(xiàn)了基于目標檢測的腦部影像快速定位算法。構(gòu)建了基于yolo改進的多尺度檢測網(wǎng)絡(luò),使用密集投影、取最大連通區(qū)域和閾值分割的預處理方式,對醫(yī)學影像矢狀面剖面圖進行處理,采用腦部影像中心剪裁和旋轉(zhuǎn)的數(shù)據(jù)增強方式進行訓練后,模型對于CT影像的的平均測試分類IOU值達到96.4%,平均單幅的預測時長保持在... 

【文章來源】：大連交通大學遼寧省

【文章頁數(shù)】：68 頁

【學位級別】：碩士

【部分圖文】：

圖１．３來自北京大學第三醫(yī)院的ＭＲＩ標簽示例??Ｆｉｇ．?１．３?Ｅｘａｍｐｌｅ?ｏｆＬａｂｅｌ?ｄａｔａ?ｆｒｏｍ?Ｐｅｋｉｎｇ?Ｕｎｉｖｅｒｓｉｔｙ?Ｔｈｉｒｄ?Ｈｏｓｐｉｔａｌ??６??

?大連交通大學全日制專業(yè)碩士學位論文???？?＋?＋＋＋?＋善私＋＋?＋?本＋＋?■＋－＋？?＋＼＾＋＿，３＾－??？？？?＋ｒ：＿ｆ％?＇立?＋?＋?，二＋??？？：？？？：？？＞，?？：？０：＋??？？？？＋：＞＋，＋＋?：身二？？：？？?：?＋?二＇：??．？？：ｉ＋；Ｗ?卜：ｉＶ＋?＋：，＋?：＋??（ａ）極坐標?（ｂ）笛卡爾坐標??（ａ）Ｐｏｌａｒ?ｃｏｏｒｄｉｎａｔｅｓ?（ｂ）Ｃａｒｔｅｓｉａｎ?ｃｏｏｒｄｉｎａｔｅｓ??圖２．１數(shù)據(jù)不同表示示例??Ｆｉｇ．?２．１?Ｅｘａｍｐｌｅｓ?ｏｆ?ｄｉｆｆｅｒｅｎｔ?ｒｅｐｒｅｓｅｎｔａｔｉｏｎｓ?ｏｆ?ｄａｔａ??４．誤差、過擬合、欠擬合、容量??誤差：誤差包括訓練誤差（ｔｒａｉｎｉｎｇ?ｅｒｒｏｒ）和泛化誤差（ｇｅｎｅｒａｌｉｚａｔｉｏｎ?ｅｒｒｏｒ），深度??學習的核心目標就是是降低泛化誤差；過擬合：過擬合是指訓練誤差和和測試誤差之間??的差距太大；欠擬合：欠擬合是指模型不能在訓練集上獲得足夠低的誤差；容量：模型??的容量是指其擬合各種函數(shù)的能力。??容量和誤差之間的典型關(guān)系，圖２．２所示。訓練誤差和測試誤差表現(xiàn)得非常不同。??在圖的左端，訓練誤差和泛化誤差都非常高。這是欠擬合機制（Ｕｎｄｅｒｆｉｔｔｉｎｇｒｅｇｉｍｅ）。??當我們增加容量時，訓練誤差減小，但是訓練誤差和泛化誤差之間的間距卻不斷擴大。??最終，這個間距的大小超過了訓練誤差的下降，我們進入到了過擬合機制（Ｏｖｅｒｆｉｔｔｉｎｇ??ｒｅｇｉｍｅ），其中容量過大，超過了最佳容量（Ｏｐｔｉｍａｌ?ｃａｐａｃｉｔｙ）??ｊ?一?？?ＴＶａ－ｉｎｉｎｇ?

?大連交通大學全日制專業(yè)碩士學位論文???在上述公式中，ｆ（ｘ，ｙ）函數(shù)值代表影像里ｘ行ｙ列上點的灰度值。ｗ（ｘ，ｙ）通常被稱之??為卷積核、濾波器、響應(yīng)函數(shù)等等，而ａ和ｂ的值定義了濾波器ｗ（ｘ，ｙ）的大校從公式??２．１中，可以看出，卷積操作中有一個權(quán)重模板，這個模板按照一定的順序在影像上滑??動，每滑動一次后，會將卷積核的參數(shù)與像素值對應(yīng)起來做加權(quán)計算，計算結(jié)果就是這??個卷積核在影像上該點的響應(yīng)。卷積過程如圖２．３所示。??１ｘ１?１ｘ０?１ｘ１?〇?１?１ｘ１?１ｘ０?〇ｘｌ??〇ｘ〇?Ｉｘｉ?ｌｘ〇?１?４?０?ｌｘｏ?ｌｘｌ?Ｉｘｏ?４?３??〇ｘｌ?〇ｘＯ?Ｉｘｉ?１?０?〇ｘｌ?１ｘ０?１ｘ１??１?０?０?１?１?０?０?１??ｉｉｉ?ＦＩ－?ｉｉ〇??ｌｘ〇?Ｉｘｉ?１?４?３?０?ｌｘｌ?ｌｘ〇?ｌｘｌ?４?３??〇ｘ〇?〇ｘｉ?ｌｘ〇?１?２?０?０ｘ０?ｌｘｌ?ｌｊｊｏ?２?４??１ｘ１?〇ｘＯ?〇ｘｌ?１?１?〇ｘｌ?〇ｘＯ?１ｘ１??圖２．３卷積過程??Ｆｉｇ．?２．３?Ｃｏｎｖｏｌｕｔｉｏｎ?ｐｒｏｃｅｓｓ??圖２．３中，粉色部分即為在圖片上滑動的卷積核，上面標注了卷積核的參數(shù)。每個??卷積層里包含多個卷積核，使用不同的卷積核對輸入影像進行滑動卷積計算，將得到不??同的特征映射。低層卷積核提取影像的局部特征，高層的卷積核，可以提取圖片的全局??特征。輸出特征圖的每個參數(shù)值也可以被解釋為祌經(jīng)元的輸出，特征圖的數(shù)值與同一激??活層的鏈接共享參數(shù)。??激活函數(shù)：激活函數(shù)的主要功能是為卷積神經(jīng)網(wǎng)絡(luò)提供非線性。如果卷積層被直接??輸入到下一層而沒有激活

【參考文獻】：
期刊論文
[1]現(xiàn)代醫(yī)學影像技術(shù)中計算機圖像處理技術(shù)的應(yīng)用[J]. 于大偉,曹章.  影像研究與醫(yī)學應(yīng)用. 2019(05)
[2]醫(yī)學影像技術(shù)在醫(yī)學影像診斷中的臨床應(yīng)用分析[J]. 馬秀敏.  世界最新醫(yī)學信息文摘. 2019(11)
[3]一種全自動的腦部MR圖像分割算法[J]. 繆正飛,陳廣浩,高偉.  中國醫(yī)療設(shè)備. 2017(11)
[4]關(guān)于提高病人放射治療安全的研究[J]. 文莉娜,何盛烽.  中國輻射衛(wèi)生. 2013(04)
[5]自適應(yīng)最小誤差閾值分割算法[J]. 龍建武,申鉉京,陳海鵬.  自動化學報. 2012(07)
[6]醫(yī)學圖像分割進展[J]. 李強.  中國醫(yī)療設(shè)備. 2010(05)
[7]一種快速的圖像區(qū)域分割算法[J]. 汪彥,陽愛民,涂立,邱密.  計算機應(yīng)用與軟件. 2009(05)
[8]基于高斯混合模型的活動輪廓模型腦MRI分割[J]. 陳允杰,張建偉,韋志輝,夏德深,王平安.  計算機研究與發(fā)展. 2007(09)
[9]基于劃分的模糊聚類算法[J]. 張敏,于劍.  軟件學報. 2004(06)
[10]一種基于邊緣檢測的局部閾值分割算法[J]. 張愛華,余勝生,周敬利.  小型微型計算機系統(tǒng). 2003(04)

碩士論文
[1]卷積神經(jīng)網(wǎng)絡(luò)在圖像識別上的應(yīng)用的研究[D]. 許可.浙江大學 2012



本文編號：3102049