醫(yī)學圖像分割是利用醫(yī)學圖像進行計算機輔助診斷的關鍵。近年來深度學習在計算機視覺領域取得了令人矚目的成果,卷積神經(jīng)網(wǎng)絡(Convolutional Neural Network,CNN)在圖像分割問題上也獲得了重大的突破。紅核(Red Nucleus,RN)、黑質(zhì)(Substantia Nigra,SN)和丘腦底核(Subthalamic Nucleus,STN)等核團中的鐵沉積被認為與對帕金森氏綜合征的發(fā)生發(fā)展有密切的關系,這些核團的準確分割是定量研究核團鐵沉積的前提,具有重要意義。然而,由于核團體積小、與周圍組織對比度差,精確分割十分困難。胰腺區(qū)域的自動分割,是對胰腺癌進行定量分析的前提。由于胰腺在體積、形態(tài)上個體差異性很大,同時,在影像上邊界模糊,醫(yī)生往往也需要根據(jù)解剖知識和經(jīng)驗來對邊界進行判斷,準確分割極為困難�；诖�,本文嘗試利用CNN對腦部定量磁化率圖像(Quantitative Susceptibility Mapping,QSM)中的深部灰質(zhì)核團的分割和腹部CT圖像中的胰腺分割這兩個醫(yī)學影像分割難題進行研究。本文提出了基于多輸入、多輸出的2.5D Attention U-...

【文章頁數(shù)】：62 頁

【學位級別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 醫(yī)學圖像分割背景
    1.2 基于傳統(tǒng)算法的醫(yī)學圖像分割方法
        1.2.1 基于區(qū)域的分割方法
        1.2.2 基于邊緣的分割方法
        1.2.3 基于分類的分割方法
    1.3 基于卷積神經(jīng)網(wǎng)絡的醫(yī)學圖像分割方法
        1.3.1 典型的醫(yī)學圖像分割模型
        1.3.2 分割模型訓練中常用的損失函數(shù)
    1.4 醫(yī)學圖像分割的常用評價指標
    1.5 本文主要工作
第二章 基于深度學習結(jié)合遷移學習的腦部QSM核團分割
    2.1 背景介紹
        2.1.1 定量磁化率成像
        2.1.2 腦部QSM圖像中部分深部灰質(zhì)核團的分割
        2.1.3 遷移學習
        2.1.4 注意力機制簡介
    2.2 數(shù)據(jù)及預處理
        2.2.1 實驗數(shù)據(jù)
        2.2.2 數(shù)據(jù)預處理
    2.3 實驗方法
        2.3.1 網(wǎng)絡結(jié)構(gòu)
        2.3.2 利用低分辨率圖像分割RN和SN區(qū)域的訓練過程
        2.3.3 利用高分辨率圖像分割RN、SN和 STN區(qū)域
        2.3.4 利用遷移學習訓練分割高分辨率圖像中的RN、SN和 STN
        2.3.5 測試過程和評價指標
    2.4 結(jié)果
        2.4.1 分割低分辨率腦部QSM圖像中的RN和 SN區(qū)域的分割模型Model1 的測試結(jié)果
        2.4.2 分割高分辨率腦部QSM圖像中的RN、SN和 STN的各個分割模型的測試結(jié)果
    2.5 討論
        2.5.1 對于網(wǎng)絡設計的分析
        2.5.2 對于低分辨率數(shù)據(jù)分割結(jié)果的分析
        2.5.3 對于高分辨率數(shù)據(jù)分割結(jié)果的分析
        2.5.4 本章節(jié)研究工作的提升空間
第三章 基于腹部CT圖像的胰腺分割方法
    3.1 背景介紹
    3.2 數(shù)據(jù)及預處理
        3.2.1 實驗數(shù)據(jù)
        3.2.2 數(shù)據(jù)預處理
    3.3 實驗方法
        3.3.1 網(wǎng)絡結(jié)構(gòu)
        3.3.2 對傳統(tǒng)的U-Net網(wǎng)絡的訓練過程
        3.3.3 對2.5DU-Net網(wǎng)絡的訓練過程
        3.3.4 對SNet網(wǎng)絡的訓練過程
        3.3.5 對CSNet網(wǎng)絡的訓練過程
        3.3.6 測試過程
        3.3.7 評價指標
    3.4 結(jié)果
        3.4.1 對胰腺分割的視覺效果
        3.4.2 對胰腺分割的量化評估結(jié)果
    3.5 討論
        3.5.1 從視覺效果上看CSNet與其余傳統(tǒng)的U-Net相比
        3.5.2 從量化評估結(jié)果上看CSNet與其余傳統(tǒng)U-Net網(wǎng)絡相比
        3.5.3 本章節(jié)工作的局限與展望
第四章 總結(jié)與展望
    4.1 總結(jié)
    4.2 展望
參考文獻
攻讀碩士學位期間的學術(shù)成果
致謝



本文編號：3747719