醫(yī)學圖像分割是計算機輔助診斷（Computer Aided Diagnosis,CAD）的關(guān)鍵步驟,也是醫(yī)學圖像進一步分析的基礎(chǔ)。CT、磁共振（MRI）等醫(yī)學圖像是對比度較低的灰度圖像,圖像中的鄰近器官通常具有相似的密度和紋理,因此精確的醫(yī)學圖像分割具有挑戰(zhàn)性。目前,深度學習技術(shù)在許多計算機視覺任務中取得了巨大的成功,如對象檢測、圖像分類和圖像分割等。其中一些深度學習技術(shù)在醫(yī)學圖像研究領(lǐng)域也得到廣泛應用。然而,針對醫(yī)學圖像分割任務,還可以從以下兩個方面進一步研究。第一,與自然圖像不同,醫(yī)學圖像中人體器官通常呈現(xiàn)相似的形狀和位置,這些特征可以被稱為解剖學先驗知識。由此可以考慮利用解剖學先驗知識,結(jié)合深度學習方法,提高醫(yī)學圖像中器官分割的性能。第二,深度學習模型的訓練需要大量的標注數(shù)據(jù),而醫(yī)學圖像分割任務的標注數(shù)據(jù)集通常較小。因此,可以采用半監(jiān)督學習方法,同時使用有標注和無標注數(shù)據(jù)訓練分割模型,從而減輕醫(yī)學圖像標注的壓力�；谏鲜龇治�,本文針對醫(yī)學圖像中的器官分割任務,對深度學習與解剖學先驗融合開展研究,有效利用醫(yī)學圖像解剖學先驗特征提高器官分割的性能。同時,針對醫(yī)學圖像標注數(shù)據(jù)量較小的問... 

【文章來源】：浙江大學浙江省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：79 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景與意義
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 本文主要工作
    1.4 本文組織結(jié)構(gòu)
第2章 相關(guān)研究工作
    2.1 全監(jiān)督圖像分割方法
        2.1.1 基于多尺度的圖像分割方法
        2.1.2 基于注意力機制的圖像分割方法
        2.1.3 醫(yī)學圖像領(lǐng)域的全監(jiān)督分割方法
    2.2 半監(jiān)督圖像分割方法
        2.2.1 基于生成對抗網(wǎng)絡(luò)的圖像分割方法
        2.2.2 基于多任務的圖像分割方法
        2.2.3 醫(yī)學圖像領(lǐng)域的半監(jiān)督分割方法
    2.3 基于解剖學先驗的圖像分割方法
    2.4 損失函數(shù)
    2.5 本章小結(jié)
第3章 基于解剖學先驗的醫(yī)學圖像分割方法
    3.1 引言
    3.2 模型框架
    3.3 語義分割網(wǎng)絡(luò)
        3.3.1 Bottleneck
        3.3.2 ASPP
        3.3.3 Softmax
    3.4 基于解剖學先驗的DAP損失函數(shù)
        3.4.1 概率圖集
        3.4.2 DAP損失函數(shù)
    3.5 基于解剖學先驗的自適應貝葉斯損失函數(shù)
    3.6 實驗設(shè)計與結(jié)果分析
        3.6.1 數(shù)據(jù)集與評價指標
        3.6.2 超參數(shù)確定
        3.6.3 消融實驗
        3.6.4 模型驗證實驗
    3.7 本章小結(jié)
第4章 基于對抗學習的半監(jiān)督醫(yī)學圖像分割方法
    4.1 引言
    4.2 模型框架
    4.3 模型訓練過程
    4.4 損失函數(shù)
        4.4.1 對抗學習損失函數(shù)
        4.4.2 分割損失函數(shù)
    4.5 實驗設(shè)計與結(jié)果分析
        4.5.1 數(shù)據(jù)集與評價指標
        4.5.2 超參數(shù)確定
        4.5.3 消融實驗
        4.5.4 模型驗證實驗
    4.6 本章小結(jié)
第5章 基于先驗相似的半監(jiān)督醫(yī)學圖像分割方法
    5.1 引言
    5.2 模型框架
    5.3 有標注數(shù)據(jù)訓練
    5.4 無標注數(shù)據(jù)訓練
        5.4.1 開運算
        5.4.2 相似度計算
    5.5 實驗設(shè)計與結(jié)果分析
        5.5.1 數(shù)據(jù)集與評價指標
        5.5.2 超參數(shù)確定
        5.5.3 消融實驗
        5.5.4 模型驗證實驗
    5.6 本章小結(jié)
第6章 總結(jié)和展望
    6.1 本文工作總結(jié)
    6.2 本文工作展望
參考文獻
攻讀碩士學位期間主要的研究成果
致謝


【參考文獻】：
期刊論文
[1]基于先驗知識與DBM采樣的類不平衡用電數(shù)據(jù)分類方法[J]. 王凱亮,陸俊,徐志強,齊增清,龔鋼軍,王赟.  電力系統(tǒng)自動化. 2019(20)
[2]基于背景連續(xù)性先驗知識的顯著性檢測[J]. 金一康,于鳳芹.  激光與光電子學進展. 2019(12)



本文編號：3442267