基于深度神經(jīng)網(wǎng)絡(luò)的醫(yī)療圖像分割算法研究
發(fā)布時間：2021-12-19 15:43
醫(yī)學(xué)影像分割是醫(yī)學(xué)影像分析的重要基礎(chǔ),良好的醫(yī)學(xué)影像分割算法可以有效提高醫(yī)學(xué)影像的診斷能力�，F(xiàn)有的醫(yī)學(xué)影像分割通常依賴醫(yī)生和專家的經(jīng)驗,無法滿足大規(guī)模醫(yī)學(xué)影像分析的需求。本文以醫(yī)學(xué)腺體圖像和視網(wǎng)膜血管圖像這兩個重要的醫(yī)學(xué)影像為代表進(jìn)行醫(yī)學(xué)影像分割算法的探索。其中,腺體是重要的人體組織學(xué)結(jié)構(gòu),腺體的形態(tài)是腺癌病理分析的重要依據(jù),腺體對象的分割也是腺癌分級的基礎(chǔ)和前提;人眼視網(wǎng)膜的血管狀態(tài)通常反映了人眼的健康狀況,血管組織具有纖細(xì)而綿長的特點,視網(wǎng)膜血管的分割是眼科病診斷的重要因素。由于兩種人體組織結(jié)構(gòu)的復(fù)雜性以及在醫(yī)學(xué)影像中呈現(xiàn)出的多樣性,相關(guān)研究雖取得了一定的進(jìn)展但仍具有一定的局限性,本文在前人研究的基礎(chǔ)上進(jìn)行了進(jìn)一步探索,具體工作如下:（1）基于雙分支深度神經(jīng)網(wǎng)絡(luò)的腺體分割和輪廓預(yù)測協(xié)同建模方法腺體具有復(fù)雜且聚簇的結(jié)構(gòu)特性,在腺體分割任務(wù)中,進(jìn)行腺體的輪廓預(yù)測通常能幫助獲得較優(yōu)的邊界�，F(xiàn)有的深度腺體分割方法通過構(gòu)建單分支的底層網(wǎng)絡(luò)提取底層特征再構(gòu)建分支網(wǎng)絡(luò)別用于腺體分割和輪廓的共同預(yù)測,弱化了腺體分割和輪廓預(yù)測任務(wù)的相關(guān)性以及腺體邊界與內(nèi)部表征的差異性。因此,本文提出一種新型腺體醫(yī)學(xué)...
【文章來源】：安徽大學(xué)安徽省 211工程院校
【文章頁數(shù)】：92 頁
【學(xué)位級別】：碩士
【部分圖文】：
感知機(jī)Fig.2.1Traditionalmatchingprocessdiagramperceptron
安徽大學(xué)碩士學(xué)位論文9jjjwbwwLossbbLoss(2-3)其中表示更新速率，首先將權(quán)重和偏置初始化為0，然后利用梯度下降法，不斷的更新權(quán)重和偏置，最后損失函數(shù)隨著迭代次數(shù)增加不斷變小直至感知機(jī)收斂。梯度下降法如圖2.2所示：圖2.2梯度下降法Fig.2.2Gradientdescentmethod2.2全連接神經(jīng)網(wǎng)絡(luò)2.2.1介紹上一小節(jié)介紹了神經(jīng)網(wǎng)絡(luò)的理論的基椽—感知機(jī)。由于感知機(jī)有個致命的缺點就是只能解決線性可分的樣本數(shù)據(jù)，無法解決異或問題，即非線性問題，所以在感知機(jī)輸入輸出之間再增加一些配備了激活函數(shù)的隱藏層神經(jīng)元，就構(gòu)成了具有非線性特點的全連接神經(jīng)網(wǎng)絡(luò)。全連接神經(jīng)網(wǎng)絡(luò)如圖2.3所示：圖2.3全連接神經(jīng)網(wǎng)絡(luò)Fig.2.3Fullyconnectedneuralnetwork
安徽大學(xué)碩士學(xué)位論文9jjjwbwwLossbbLoss(2-3)其中表示更新速率，首先將權(quán)重和偏置初始化為0，然后利用梯度下降法，不斷的更新權(quán)重和偏置，最后損失函數(shù)隨著迭代次數(shù)增加不斷變小直至感知機(jī)收斂。梯度下降法如圖2.2所示：圖2.2梯度下降法Fig.2.2Gradientdescentmethod2.2全連接神經(jīng)網(wǎng)絡(luò)2.2.1介紹上一小節(jié)介紹了神經(jīng)網(wǎng)絡(luò)的理論的基椽—感知機(jī)。由于感知機(jī)有個致命的缺點就是只能解決線性可分的樣本數(shù)據(jù)，無法解決異或問題，即非線性問題，所以在感知機(jī)輸入輸出之間再增加一些配備了激活函數(shù)的隱藏層神經(jīng)元，就構(gòu)成了具有非線性特點的全連接神經(jīng)網(wǎng)絡(luò)。全連接神經(jīng)網(wǎng)絡(luò)如圖2.3所示：圖2.3全連接神經(jīng)網(wǎng)絡(luò)Fig.2.3Fullyconnectedneuralnetwork
【參考文獻(xiàn)】：
期刊論文
[1]基于多尺度多路徑FCN的視網(wǎng)膜血管分割[J]. 張潤谷. 激光雜志. 2020(02)
[2]基于Frangi濾波器和Otsu視網(wǎng)膜血管分割[J]. 孟琳,劉靜,曹慧,史婷瑤,張馳. 激光與光電子學(xué)進(jìn)展. 2019(18)
[3]2015年中國惡性腫瘤流行情況分析[J]. 鄭榮壽,孫可欣,張思維,曾紅梅,鄒小農(nóng),陳茹,顧秀瑛,魏文強(qiáng),赫捷. 中華腫瘤雜志. 2019 (01)
[4]基于多特征描述的乳腺癌腫瘤病理自動分級[J]. 龔磊,徐軍,王冠皓,吳建中,唐金海. 計算機(jī)應(yīng)用. 2015(12)
本文編號：3544673
【文章來源】：安徽大學(xué)安徽省 211工程院校
【文章頁數(shù)】：92 頁
【學(xué)位級別】：碩士
【部分圖文】：
感知機(jī)Fig.2.1Traditionalmatchingprocessdiagramperceptron
安徽大學(xué)碩士學(xué)位論文9jjjwbwwLossbbLoss(2-3)其中表示更新速率，首先將權(quán)重和偏置初始化為0，然后利用梯度下降法，不斷的更新權(quán)重和偏置，最后損失函數(shù)隨著迭代次數(shù)增加不斷變小直至感知機(jī)收斂。梯度下降法如圖2.2所示：圖2.2梯度下降法Fig.2.2Gradientdescentmethod2.2全連接神經(jīng)網(wǎng)絡(luò)2.2.1介紹上一小節(jié)介紹了神經(jīng)網(wǎng)絡(luò)的理論的基椽—感知機(jī)。由于感知機(jī)有個致命的缺點就是只能解決線性可分的樣本數(shù)據(jù)，無法解決異或問題，即非線性問題，所以在感知機(jī)輸入輸出之間再增加一些配備了激活函數(shù)的隱藏層神經(jīng)元，就構(gòu)成了具有非線性特點的全連接神經(jīng)網(wǎng)絡(luò)。全連接神經(jīng)網(wǎng)絡(luò)如圖2.3所示：圖2.3全連接神經(jīng)網(wǎng)絡(luò)Fig.2.3Fullyconnectedneuralnetwork
安徽大學(xué)碩士學(xué)位論文9jjjwbwwLossbbLoss(2-3)其中表示更新速率，首先將權(quán)重和偏置初始化為0，然后利用梯度下降法，不斷的更新權(quán)重和偏置，最后損失函數(shù)隨著迭代次數(shù)增加不斷變小直至感知機(jī)收斂。梯度下降法如圖2.2所示：圖2.2梯度下降法Fig.2.2Gradientdescentmethod2.2全連接神經(jīng)網(wǎng)絡(luò)2.2.1介紹上一小節(jié)介紹了神經(jīng)網(wǎng)絡(luò)的理論的基椽—感知機(jī)。由于感知機(jī)有個致命的缺點就是只能解決線性可分的樣本數(shù)據(jù)，無法解決異或問題，即非線性問題，所以在感知機(jī)輸入輸出之間再增加一些配備了激活函數(shù)的隱藏層神經(jīng)元，就構(gòu)成了具有非線性特點的全連接神經(jīng)網(wǎng)絡(luò)。全連接神經(jīng)網(wǎng)絡(luò)如圖2.3所示：圖2.3全連接神經(jīng)網(wǎng)絡(luò)Fig.2.3Fullyconnectedneuralnetwork
【參考文獻(xiàn)】：
期刊論文
[1]基于多尺度多路徑FCN的視網(wǎng)膜血管分割[J]. 張潤谷. 激光雜志. 2020(02)
[2]基于Frangi濾波器和Otsu視網(wǎng)膜血管分割[J]. 孟琳,劉靜,曹慧,史婷瑤,張馳. 激光與光電子學(xué)進(jìn)展. 2019(18)
[3]2015年中國惡性腫瘤流行情況分析[J]. 鄭榮壽,孫可欣,張思維,曾紅梅,鄒小農(nóng),陳茹,顧秀瑛,魏文強(qiáng),赫捷. 中華腫瘤雜志. 2019 (01)
[4]基于多特征描述的乳腺癌腫瘤病理自動分級[J]. 龔磊,徐軍,王冠皓,吳建中,唐金海. 計算機(jī)應(yīng)用. 2015(12)
本文編號：3544673
本文鏈接：http://sikaile.net/kejilunwen/shengwushengchang/3544673.html
最近更新
教材專著
