醫(yī)學(xué)圖像分割在計(jì)算機(jī)輔助醫(yī)療診斷中有著至關(guān)重要的意義,同時(shí)在器官定位、三維重建和手術(shù)指導(dǎo)規(guī)劃任務(wù)中扮演著關(guān)鍵角色。肝臟是人體中不可替代的重要器官,維持著人體生命活動(dòng)和新陳代謝,而肝臟腫瘤目前是一種高死亡率的惡性腫瘤,因此研究一種準(zhǔn)確的肝臟及肝臟腫瘤的自動(dòng)分割算法對(duì)臨床診斷和手術(shù)決策有著深遠(yuǎn)的意義。腹部多器官分割不僅可以提升分割算法的效率,并且可以利用腹部器官之間空間位置關(guān)系的相對(duì)穩(wěn)定性提升分割算法的魯棒性,因此,準(zhǔn)確的腹部多器官自動(dòng)分割能夠更高效的輔助醫(yī)生診斷,具有很高的研究?jī)r(jià)值。CT圖像檢查效率高、性價(jià)比高和分辨率高等優(yōu)勢(shì)使其被廣泛應(yīng)用。本文以腹部CT圖像為研究對(duì)象,對(duì)肝臟及肝臟腫瘤分割和腹部多器官分割算法展開研究,主要研究?jī)?nèi)容如下:（1）針對(duì)肝臟截面在軸位圖像中占比較低產(chǎn)生的樣本不均衡問題和非連通區(qū)域欠分割等問題,提出了一種基于密集連接U-Net模型的肝臟及肝臟腫瘤分割方法。該算法在U-Net模型上引入了密集連接結(jié)構(gòu),將底層邊緣特征與高層語(yǔ)義特征相結(jié)合,緩解了特征傳遞過程中的信息損失,能夠更好的提取目標(biāo)器官的語(yǔ)義特征。上采樣部分利用閾值選擇機(jī)制,使還原分辨率后的目標(biāo)器官邊界更加平滑... 

【文章來源】：江蘇大學(xué)江蘇省

【文章頁(yè)數(shù)】：79 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

感受野的圖形理解Fig2.1Graphicunderstandingofreceptivefield

江蘇大學(xué)工程碩士學(xué)位論文15圖2.1感受野的圖形理解Fig2.1Graphicunderstandingofreceptivefield卷積層的操作是將在輸入原始圖像或上層所得到的特征圖上通過滑動(dòng)窗口的方式將卷積核逐一覆蓋在圖像的每一個(gè)像素之上，如圖2.2所示，輸出特征圖的藍(lán)色區(qū)域像素值是由卷積核和輸入特征圖的紅色部分在對(duì)應(yīng)通道上分別進(jìn)行加權(quán)求和計(jì)算，最后將所有通道的特征值相加的結(jié)果。卷積核滑動(dòng)窗口每次位移的步長(zhǎng)stride以及卷積核規(guī)格都會(huì)影響輸出特征圖的尺寸，為了保證在特征提取過程中不改變初始圖像的尺寸大小，可以在卷積核計(jì)算之前，通過填充的方式，在特征圖的邊緣部分增加一圈0值，即padding操作，0值本身不帶有任何特征信息，目的是為了控制特征圖的輸出大校輸出特征圖尺寸計(jì)算公式如式（2.1）所示。21inoutkspsww（2.1）其中，outw表示計(jì)算得到的輸出特征圖的尺寸，inw表示輸入圖像或輸入特征圖的原始尺寸，ks和s分別表示卷積核的大小和移動(dòng)步長(zhǎng)，p表示填充層數(shù)。圖2.2卷積操作運(yùn)算過程Fig2.2Convolutionoperationprocess

基于密集連接和多分支結(jié)構(gòu)的腹部CT圖像分割研究與應(yīng)用16（2）池化層池化層也稱下采樣層，通過池化層可以提取特征圖中的有效特征，還可以壓縮卷積層之間特征圖的尺寸，減少參數(shù)數(shù)量，有效的避免過擬合，提升模型容錯(cuò)率和泛化性。常用的池化操作主要有兩種，分別是最大池化（MaxPooling）和平均池化（MeanPooling）。最大池化和平均池化在搭建深度學(xué)習(xí)網(wǎng)絡(luò)模型時(shí)在池化層的選擇上都是使用比較多的，但是池化選擇的不同也會(huì)使模型產(chǎn)生不同的傾向性。池化的目的不僅僅是減少參數(shù)和特征量，更重要的是保持網(wǎng)絡(luò)在傳播過程中主要特征旋轉(zhuǎn)、平移和伸縮的不變性，在這方面最大池化和平均池化操作具有相同的優(yōu)勢(shì)。不同之處在于最大池化操作將鄰域內(nèi)特征點(diǎn)的最大值取出，如圖2.3所示，而平均池化操作對(duì)鄰域內(nèi)所有特征點(diǎn)求平均值，如圖2.4所示。在池化層提取主要特征的過程中，誤差主要來自于兩個(gè)方面，一方面是鄰域大小的限制性造成的估計(jì)值方差較大，另一方面是卷積誤差導(dǎo)致均值的偏移。而平均池化能夠減小估計(jì)值的方差，更多的保留全局包括圖像背景部分的特征信息，相反，最大池化將減少均值的偏移量，保留目標(biāo)前景的紋理等特征信息。圖2.3最大池化策略Fig2.3Maxpoolingstrategy圖2.4平均池化策略Fig2.4Meanpoolingstrategy


本文編號(hào)：3128086