醫(yī)學圖像分割和醫(yī)學圖像定量測量是醫(yī)學圖像分析領(lǐng)域的關(guān)鍵問題,在許多疾病的輔助診斷和評估中占有重要臨床意義。深度學習是解決眾多醫(yī)學圖像分析問題通用有效的方法,但是深度學習中往往沒有用到己有的先驗知識,模型通常比較復雜,而醫(yī)學圖像數(shù)據(jù)稀缺,深度學習在解決醫(yī)學圖像分析問題時容易出現(xiàn)過擬合現(xiàn)象。局部線性表達是指流形上的樣本可以由其近鄰樣本的線性組合近似表示,基于流形假設(shè)和局部線性表達,可以利用一些已有的先驗知識（如局部線性映射、樣本在流形上的分布規(guī)律等）簡化模型。結(jié)合局部線性表達和深度學習,可以簡化模型,提高模型的泛化能力�；诰植烤�性表達和深度學習的模型,本文在磁共振（Magnetic Resonance,MR）圖像海馬體分割和MR圖像脊柱自動定量測量方面做了以下兩項工作:（1）基于迭代局部線性映射（Iterative Local Linear Mapping,ILLM）的MR圖像海馬體分割。我們把海馬體分割問題分解為多輸出回歸問題和閾值分割問題,多輸出回歸問題中,我們用MR圖像塊的特征預測其所對應(yīng)的距離場（Distance Field,DF）圖像塊。DF圖像中體素的絕對值表示該點距離海馬體... 

【文章來源】：南方醫(yī)科大學廣東省

【文章頁數(shù)】：118 頁

【學位級別】：博士

【部分圖文】：

圖１－１本研宄的科學問題、分析模型、應(yīng)用方法、技術(shù)創(chuàng)新以及研究目標

?本研宄旨在實現(xiàn)精確的ＭＲ圖像海馬體分割以及ＭＲ圖像脊柱自動定量測??量，如圖１－１，這兩個醫(yī)學圖像分析問題可以一般化為不同空間的非線性映射的??科學問題，針對局部線性表達和深度學習的優(yōu)缺點，本文提出基于局部線性表達??和深度學習的模型，通過構(gòu)建新型網(wǎng)絡(luò)結(jié)構(gòu)和約束條件，提出迭代局部線性映射??和級聯(lián)放大器回歸網(wǎng)絡(luò)兩個應(yīng)用方法，分別用于解決ＭＲ圖像海馬體分割和ＭＲ??圖像脊柱自動定量測量問題。??圖１－２展示了局部線性表達和深度學習的優(yōu)缺點，以及本文的研宄工作。??本研究的貢獻在于：??（１）

（２）?ＬＬＲＣ中輸出流形上的樣本是一維的，不適用于輸出流形是多維的情??形；??（３）?ＬＤＭ中每個測試樣本都要構(gòu)建一個局部字典，構(gòu)建局部字典所消耗??時間比較長。??１．３深度學習研宄現(xiàn)狀??人工智能是２０世紀５０年代提出的，近２０年來快速發(fā)展的讓機器智能化的??技術(shù)，近十年來我國人工智能技術(shù)發(fā)展迅猛，在國民經(jīng)濟中占有重要地位，２０１６??年我國把人工智能技術(shù)寫入“十三五”規(guī)劃綱要。作為人工智能的關(guān)鍵技術(shù)，深??度學習是一種表征學習［２２］，它可以從數(shù)據(jù)中自動學習更高層次的抽象特征。深度??學習己經(jīng)成功應(yīng)用于圖像分類［５２＿５４］、圖像分割［５５＃］、語音識別［６？６３］、自然語言處??理［６４＿７８］等領(lǐng)域。??

【參考文獻】：
博士論文
[1]基于稀疏表達以及局部線性表達的醫(yī)學圖像分析[D]. 吳遙.南方醫(yī)科大學 2015



本文編號：3226610