腎臟是人體泌尿系統(tǒng)的組成器官之一,主要負(fù)責(zé)清除代謝產(chǎn)物和吸收水、蛋白質(zhì)、金屬離子等有用物質(zhì)。腎臟腫瘤是泌尿科發(fā)病率第二的腫瘤,其亞型眾多,多為惡性腫瘤,臨床上多采用切除的手術(shù)方式。傳統(tǒng)的根治性腎切除術(shù)對(duì)病人的腎功能損害大,近來一種僅切除患病組織的手術(shù)方式（腹腔鏡腎部分切除術(shù),LPN）逐漸成為臨床首選。LPN雖然能夠最大程度地保留病人的腎功能,然而此種手術(shù)方式的可行性主要取決于醫(yī)生的診斷,沒有統(tǒng)一的金標(biāo)準(zhǔn),腎臟腫瘤的良惡性、腫瘤的形狀和位置等因素都具有重要參考意義�，F(xiàn)有的方法多基于腎臟區(qū)域的分割和基于傳統(tǒng)機(jī)器學(xué)習(xí)方法的腎腫瘤分類,本文旨在構(gòu)建一個(gè)基于卷積神經(jīng)網(wǎng)絡(luò)的腎臟腫瘤同步分割和分類模型,輔助醫(yī)生診斷。卷積神經(jīng)網(wǎng)絡(luò)（CNNs）是近年來的熱門技術(shù),在計(jì)算機(jī)視覺領(lǐng)域尤其是分類、分割、檢測(cè)等任務(wù)中的成功應(yīng)用有目共睹。區(qū)別于自然圖像,醫(yī)學(xué)圖像（如CT成像）每點(diǎn)的灰度值具有物理意義且圖像的數(shù)據(jù)形式多樣（三維、四維或序列）,神經(jīng)網(wǎng)絡(luò)遷移到醫(yī)學(xué)圖像處理中時(shí),需要考慮到醫(yī)學(xué)圖像的特性進(jìn)行改進(jìn)。對(duì)三維醫(yī)學(xué)數(shù)據(jù),流行的處理方法包括兩種:基于二維卷積神經(jīng)網(wǎng)絡(luò)（2D CNNs）,三維結(jié)果由二維結(jié)果整合而來;使... 

【文章來源】：東南大學(xué)江蘇省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：73 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖1-1兩種極端情況的腎臟腫瘤和專家手工分割腎臟和腫瘤區(qū)域圖注：(a)腎包膜外發(fā)展的大腫瘤和專家手工分割區(qū)域；(b)小腫瘤和專家手工分割區(qū)域

第一章緒論5究基于CT血管造影圖像和CT尿路造影圖像的腎臟腫瘤分割和分類。腎臟腫瘤種類復(fù)雜、大小各異以及位置難測(cè)，本文旨在對(duì)腎臟腫瘤的正確分類和腫瘤區(qū)域的正確分割。圖1-2為一個(gè)腎臟腫瘤的三維CT血管造影圖像和腫瘤與腎臟區(qū)域。(a)(b)(c)圖1-2腎臟CT圖像和專家手工分割的腎臟和腫瘤區(qū)域圖注：(a)三維CT血管造影圖像；(b)腫瘤區(qū)域高亮的三維CT血管造影圖像；(c)專家手工分割腎臟和腫瘤區(qū)域卷積神經(jīng)網(wǎng)絡(luò)為近年來計(jì)算機(jī)視覺領(lǐng)域的熱門技術(shù)，醫(yī)學(xué)圖像領(lǐng)域廣泛使用神經(jīng)網(wǎng)絡(luò)輔助解決眾多難題。分割和分類是醫(yī)學(xué)圖像領(lǐng)域的基本問題，利用神經(jīng)網(wǎng)絡(luò)解決這些問題的方法更是層出不窮，但是針對(duì)腎臟腫瘤分割和分類的相關(guān)研究比較少。針對(duì)腎臟腫瘤分割和分類中的難點(diǎn)，本文分別基于二維卷積神經(jīng)網(wǎng)絡(luò)和三維神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)了雙任務(wù)卷積神經(jīng)網(wǎng)絡(luò)——結(jié)合了分割任務(wù)和分類任務(wù)，并針對(duì)腎臟腫瘤的分割進(jìn)行了一些優(yōu)化。1.4論文組織結(jié)構(gòu)本文基于卷積神經(jīng)網(wǎng)絡(luò)對(duì)腎臟腫瘤進(jìn)行分割和分類。針對(duì)腎臟腫瘤分割和分類中存在的誤分割和誤分類等問題給出了解決辦法，達(dá)到結(jié)果精確的同時(shí)實(shí)現(xiàn)了腎臟腫瘤分割和分類的雙任務(wù)目的。本文主要由以下幾章組成：第一章為緒論，介紹了腎臟腫瘤現(xiàn)狀和其分割和分類的臨床意義，梳理了現(xiàn)有的腎臟腫瘤分割和分類方法。分類方法主要分腫瘤區(qū)域分割、特征提娶訓(xùn)練分類器三步，分割方法多基于紋理、配準(zhǔn)或卷積神經(jīng)網(wǎng)絡(luò)。第二章介紹了深度學(xué)習(xí)的基礎(chǔ)框架、一些基本層的結(jié)構(gòu)（如卷積、池化等）、神經(jīng)網(wǎng)絡(luò)的前向和后向計(jì)算、優(yōu)化器的選擇以及感受野大小的計(jì)算。此章節(jié)還詳細(xì)描述了一些經(jīng)典的分割和分類網(wǎng)絡(luò)，闡述了卷積神經(jīng)網(wǎng)絡(luò)如何應(yīng)用到醫(yī)學(xué)圖像中，包括數(shù)據(jù)集處理的關(guān)鍵點(diǎn)、網(wǎng)絡(luò)結(jié)構(gòu)的遷移和微調(diào)的依據(jù)和條件。第三章設(shè)計(jì)了腎臟腫

瘢?康氖鞘侗鶩枷裰械哪諶藎ㄊ?體）并且得到屬于實(shí)體的全部像素，即為像素級(jí)的預(yù)測(cè)，通常我們也稱其為密集預(yù)測(cè)。傳統(tǒng)的CNN語義分割方法通過滑動(dòng)窗內(nèi)像素的分類結(jié)果預(yù)測(cè)一個(gè)像素的類別，訓(xùn)練困難、計(jì)算量大。全卷積神經(jīng)網(wǎng)絡(luò)（FullyConvolutionalNetworks，F(xiàn)CN）結(jié)構(gòu)[41]的突破性在于實(shí)現(xiàn)了端到端的像素級(jí)分類，直接從整張圖片學(xué)習(xí)出的特征中得到每個(gè)像素類別。FCN可被分為編碼和解碼兩部分，編碼網(wǎng)絡(luò)提取特征，解碼網(wǎng)絡(luò)通過反卷積或上采樣得到像素類別，大幅度提高了網(wǎng)絡(luò)的訓(xùn)練速度和分割結(jié)果。FCN網(wǎng)絡(luò)結(jié)構(gòu)如圖2-7所示。圖2-7FCN網(wǎng)絡(luò)結(jié)構(gòu)繼FCN后，分割領(lǐng)域的論文多基于FCN的網(wǎng)絡(luò)結(jié)構(gòu)提出改進(jìn)。如SegNet[49]使用一種非線性的上采樣結(jié)構(gòu)，即記住最大池化層最大值所對(duì)應(yīng)的索引，U-Net[37]提出一種對(duì)稱的結(jié)構(gòu)，結(jié)合來自淺層的特征。PSPNet[50]提出了金字塔池化結(jié)構(gòu)（pyramidpoolingmodule，PPM），能夠結(jié)合不同尺度的特征，增大網(wǎng)絡(luò)的感受野。這些分割網(wǎng)絡(luò)在它們所應(yīng)用的任務(wù)中均取得了比較好的效果。961283843842564096409621

【參考文獻(xiàn)】：
期刊論文
[1]螺旋CT雙期掃描對(duì)不同腎癌亞型的診斷價(jià)值[J]. 戴景蕊,張連宇,張瑾,陳雁,張宏圖,蔣玲霞,林蒙.  中華醫(yī)學(xué)雜志. 2010 (31)
[2]CT成像技術(shù)的發(fā)展及技術(shù)特點(diǎn)[J]. 孫衛(wèi)紅.  醫(yī)療裝備. 2007(06)

碩士論文
[1]基于深度學(xué)習(xí)的CT圖像腎臟分割研究[D]. 李國(guó)清.東南大學(xué) 2018



本文編號(hào)：3445857