隨著成像技術(shù)的成熟,醫(yī)學(xué)影像在輔助腹部疾病的診斷中扮演著至關(guān)重要的角色。然而人體不同器官組織在影像中的呈現(xiàn)并無(wú)明顯的像素密度差異,這會(huì)對(duì)診斷過(guò)程造成極大的困擾。通過(guò)精確到像素級(jí)別的計(jì)算機(jī)相關(guān)技術(shù)來(lái)進(jìn)行醫(yī)學(xué)圖像處理,有助于輔助實(shí)現(xiàn)精準(zhǔn)醫(yī)療,因此對(duì)基于計(jì)算機(jī)技術(shù)的醫(yī)學(xué)圖像處理方法的相關(guān)研究具有重大而深遠(yuǎn)的意義。本文便是基于深度學(xué)習(xí)和遷移學(xué)習(xí)等計(jì)算機(jī)技術(shù),進(jìn)行腹部CT圖像分割和分類方法的相關(guān)研究。1.在肝臟及肝臟病變區(qū)域分割中,針對(duì)較小區(qū)域難以進(jìn)行精準(zhǔn)分割的問(wèn)題,提出基于Inception-selected U-net（IsU-net）網(wǎng)絡(luò)的肝臟分割方法,并結(jié)合遷移學(xué)習(xí)實(shí)現(xiàn)肝臟病變區(qū)域的分割。在IsU-net中,首先在下采樣過(guò)程,通過(guò)結(jié)合不同感受野的卷積核的方式來(lái)從原始圖像中提取多種尺度的特征信息;其次在上采樣即特征信息恢復(fù)過(guò)程中,通過(guò)從對(duì)應(yīng)下采樣層結(jié)果中篩選有利的特征作為特征補(bǔ)充,從而減少相關(guān)特征信息的丟失;最后在訓(xùn)練網(wǎng)絡(luò)時(shí),綜合考量上采樣各個(gè)階段的誤差,實(shí)現(xiàn)對(duì)網(wǎng)絡(luò)的約束優(yōu)化,從而進(jìn)一步提高恢復(fù)的特征信息的完成性。實(shí)驗(yàn)證明,IsU-net能有效緩解肝臟分割中小區(qū)域難以精準(zhǔn)分割的問(wèn)題。2.在... 

【文章來(lái)源】：江蘇大學(xué)江蘇省

【文章頁(yè)數(shù)】：63 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

CNNs卷積運(yùn)算過(guò)程

基于卷積神經(jīng)網(wǎng)絡(luò)的肝臟圖像分割和分類技術(shù)研究14確性。本方法對(duì)于醫(yī)學(xué)圖像分割方法的研究也是基于U-net來(lái)進(jìn)行的。圖2.2U-net網(wǎng)絡(luò)結(jié)構(gòu)圖Fig2.2ModelstructureofU-net2.2.3深度學(xué)習(xí)中的分類網(wǎng)絡(luò)在深度學(xué)習(xí)的發(fā)展過(guò)程中，經(jīng)典的擁有較強(qiáng)普適性的分類網(wǎng)絡(luò)有VGGNet[49]、InceptionNet[50]、DenseNet[51]、ResNet[52]。這四種網(wǎng)絡(luò)分別從不同的角度提高網(wǎng)絡(luò)提取特征的能力。不同的卷積核大小，提取的特征信息也是不同的，但是卷積核越大，訓(xùn)練網(wǎng)絡(luò)的運(yùn)算量也越大，VGG系列的網(wǎng)絡(luò)采用連續(xù)的幾個(gè)3×3的卷積核來(lái)代替5×5、7×7和11×11這樣更大的卷積核。對(duì)于相同的感受野，采用堆疊的較小尺寸卷積核優(yōu)于采用較大的卷積核，一方面小的卷積核需要的參數(shù)更少，因此能減少每次運(yùn)算的代價(jià)；另一方面，一個(gè)大卷積核用多個(gè)小尺寸卷積核的串聯(lián)代替時(shí)，也可以增加非線性層的數(shù)量，多層非線性層可以通過(guò)增加網(wǎng)絡(luò)深度來(lái)保證網(wǎng)絡(luò)能學(xué)習(xí)更復(fù)雜的模式。Inception系列網(wǎng)絡(luò)與傳統(tǒng)的通過(guò)加深網(wǎng)絡(luò)深度來(lái)提高模型性能的一層一卷積方式大不相同，該網(wǎng)絡(luò)設(shè)計(jì)了名為Inception的模塊來(lái)代替普通卷積，Inception模塊的結(jié)構(gòu)如下圖2.3所示，該模塊采用將不同大小的卷積核并聯(lián)的方式，在保證網(wǎng)絡(luò)深度的同時(shí)通過(guò)加寬網(wǎng)絡(luò)來(lái)提高模型性能。如果將上述5×5、7×7和11×11的卷積核并聯(lián)，雖然可以在一定程度上提升網(wǎng)絡(luò)性能，但是隨之而來(lái)的更是巨大的以當(dāng)時(shí)計(jì)算機(jī)硬件條件還難以負(fù)擔(dān)的參數(shù)運(yùn)算量；因此在設(shè)計(jì)Inception時(shí)，將5×5、7×7和11×11這些×大的卷積層拆分成1×和×1兩種卷積層的串聯(lián)，與此同時(shí)添加1×1的卷積來(lái)減少運(yùn)算量。

江蘇大學(xué)工學(xué)碩士學(xué)位論文15圖2.3Inception模塊結(jié)構(gòu)圖Fig2.3ModuleStructureofInception上述兩種網(wǎng)絡(luò)都是從改變卷積層內(nèi)部結(jié)構(gòu)來(lái)提升模型性能，而傳統(tǒng)的CNN因?yàn)橥ǔＪ遣煌矸e層的串聯(lián)，每一層卷積層的輸入只包含它前一層卷積層的輸出，所有當(dāng)進(jìn)一步加深網(wǎng)絡(luò)深度的時(shí)候，難以避免的會(huì)出現(xiàn)一個(gè)問(wèn)題——有些有用特征在經(jīng)過(guò)很多層之后就消失了，而DenseNet和ResNet的初衷就是為緩解這個(gè)問(wèn)題。DenseNet為確保網(wǎng)絡(luò)層之間的最大信息流，在所有卷積層之間都建立直接連接。為保持前饋特性，在逐層進(jìn)行卷積操作時(shí)不會(huì)出現(xiàn)信息丟失的現(xiàn)象，DensetNet每個(gè)卷積層都會(huì)從前面的所有層獲得額外的輸入，同時(shí)將自己本身的輸出特征傳遞給后面的所有層，具體結(jié)構(gòu)如圖2.4所示。DenseNet雖然保證了網(wǎng)絡(luò)的前饋信息丟失，但同時(shí)也增加了特征信息的冗余和網(wǎng)絡(luò)的運(yùn)算量。圖2.4DenseNet結(jié)構(gòu)圖Fig2.4ModelStructureofDenseNet相較DenseNet這種所有層之間建立連接的方式，ResNet通過(guò)在間隔一定層數(shù)的卷積層連接之間設(shè)計(jì)一種跳躍式的連接并稱這種連接為殘差連接，如圖2.5所示。ResNet其實(shí)提供了兩種選擇，一是通過(guò)殘差連接通過(guò)兩路信息的傳達(dá)，即上一層的原始信息和加工過(guò)的信息的傳達(dá)來(lái)解決網(wǎng)絡(luò)傳播過(guò)程中信息丟失的問(wèn)題，同時(shí)只增

【參考文獻(xiàn)】：
期刊論文
[1]基于超像素的聯(lián)合能量主動(dòng)輪廓CT圖像分割方法[J]. 劉俠,甘權(quán),劉曉,王波.  光電工程. 2020(01)
[2]基于卷積神經(jīng)網(wǎng)絡(luò)的腎臟占位CT圖像的良惡性分類研究[J]. 周蕾蕾,張作恒,陳宇辰,付晶晶,殷信道,蔣紅兵.  國(guó)際生物醫(yī)學(xué)工程雜志. 2018 (05)
[3]結(jié)合改進(jìn)的U-Net和Morphsnakes的肝臟分割[J]. 劉哲,張曉林,宋余慶,朱彥,袁德琪.  中國(guó)圖象圖形學(xué)報(bào). 2018(08)
[4]醫(yī)學(xué)圖像分析深度學(xué)習(xí)方法研究與挑戰(zhàn)[J]. 田娟秀,劉國(guó)才,谷珊珊,鞠忠建,劉勁光,顧冬冬.  自動(dòng)化學(xué)報(bào). 2018(03)
[5]基于深度學(xué)習(xí)的醫(yī)學(xué)圖像識(shí)別研究進(jìn)展[J]. 劉飛,張俊然,楊豪.  中國(guó)生物醫(yī)學(xué)工程學(xué)報(bào). 2018(01)
[6]基于圖割和邊緣行進(jìn)的肝臟CT序列圖像分割[J]. 廖苗,趙于前,曾業(yè)戰(zhàn),黃忠朝,鄒北驥.  電子與信息學(xué)報(bào). 2016(06)
[7]自適應(yīng)區(qū)域生長(zhǎng)算法在醫(yī)學(xué)圖像分割中的應(yīng)用[J]. 陸劍鋒,林海,潘志庚.  計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào). 2005(10)

碩士論文
[1]基于U-Net的肝臟CT圖像分割研究[D]. 張凱文.華南理工大學(xué) 2019



本文編號(hào)：3487521