【摘要】：肝臟分割任務(wù)是從輸入的肝臟CT數(shù)據(jù)中分割出肝的任務(wù)。由于CT圖像中肝臟具有與鄰近器官對(duì)比度低、噪聲較高和存在病理異常等特點(diǎn),因此肝臟分割具有一定難度。隨著視覺(jué)相關(guān)算法的快速發(fā)展,深度卷積神經(jīng)網(wǎng)絡(luò)在醫(yī)學(xué)圖像分割上得到了越來(lái)廣泛的應(yīng)用。其中,利用捕獲上下文的收縮路徑和允許精確定位的對(duì)稱拓展路徑的U-Net模型獲得了較好的分割效果。然而,單純的U-Net網(wǎng)絡(luò)結(jié)構(gòu)在分割上的表現(xiàn)還有較大提升空間;并且通過(guò)簡(jiǎn)單地堆疊卷積核的方法提升模型效果,會(huì)加大參數(shù)量和計(jì)算量,是訓(xùn)練和推理變得困難。本文為了提升U-Net在肝臟分割上的效果,首先使用殘差模塊代替原有的卷積模塊,加快模型的收斂速度;之后為了抑制像素點(diǎn)類(lèi)別不均衡問(wèn)題,使用DICE系數(shù)的相反數(shù)替代交叉熵?fù)p失函數(shù),并引入基于形態(tài)學(xué)的方法對(duì)像素點(diǎn)進(jìn)行加權(quán);針對(duì)3D肝臟分割進(jìn)行了模型改進(jìn);最后為了提升模型的泛化能力,使用隨機(jī)仿射變換和隨機(jī)彈性形變進(jìn)行數(shù)據(jù)增強(qiáng)。實(shí)驗(yàn)結(jié)果表明,該方法對(duì)2D圖像的分割效果改進(jìn)明顯,在3D數(shù)據(jù)上可擴(kuò)展性強(qiáng)。本文為了降低U-Net的參數(shù)量和計(jì)算量,首先使用由兩個(gè)級(jí)聯(lián)的小網(wǎng)絡(luò)構(gòu)成的kU-Net進(jìn)行改進(jìn),在降低了模型參數(shù)量的同時(shí),提升了模型效果;之后使用由粗到精的分割策略改進(jìn)kU-Net,進(jìn)而得到W-Net,它在幾乎沒(méi)有提升模型的參數(shù)量和計(jì)算量的同時(shí)顯著提升模型效果;最后對(duì)W-Net的擴(kuò)展路徑進(jìn)行精簡(jiǎn),并微調(diào)模型收縮路徑,在明顯降低模型計(jì)算量和參數(shù)量的同時(shí),保持了分割效果基本不變。通過(guò)實(shí)驗(yàn)測(cè)試,本文提出的基于殘差模塊的改進(jìn)方法對(duì)于肝臟分割效果提升顯著,使用kU-Net和由粗到精的分割策略在降低參數(shù)量和計(jì)算量的同時(shí),保證分割表現(xiàn),具有良好的實(shí)用性。
【圖文】：

對(duì)比度受限自適應(yīng)直方圖均衡化原理示意圖

圖 2-6 不同直方圖均衡化效果對(duì)比圖如圖 2-6 所示，本文將范圍在[-1000, 3000]的 CT 值直接縮放到[0,255]作為輸入圖像，然后對(duì)輸入圖像分別進(jìn)行了直方圖均衡化，，自適應(yīng)直方圖均衡化與對(duì)比度受限自適應(yīng)直方圖均衡化三種預(yù)處理方式�？梢郧宄目吹�，全局直方圖均衡化雖然增了圖像的對(duì)比度，但是它對(duì)一些細(xì)節(jié)上的對(duì)比度增強(qiáng)程度不
【學(xué)位授予單位】：哈爾濱工業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類(lèi)號(hào)】：R735.7;TP391.41;TP183

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 胡悅;;金融市場(chǎng)中的神經(jīng)網(wǎng)絡(luò)拐點(diǎn)預(yù)測(cè)法[J];金融經(jīng)濟(jì);2017年18期

2 遲惠生;陳珂;;1995年世界神經(jīng)網(wǎng)絡(luò)大會(huì)述評(píng)[J];國(guó)際學(xué)術(shù)動(dòng)態(tài);1996年01期

3 吳立可;;脈沖神經(jīng)網(wǎng)絡(luò)和行為識(shí)別[J];通訊世界;2018年12期

4 林嘉應(yīng);鄭柏倫;劉捷;;基于卷積神經(jīng)網(wǎng)絡(luò)的船舶分類(lèi)模型[J];信息技術(shù)與信息化;2019年02期

5 俞頌華;;卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展與應(yīng)用綜述[J];信息通信;2019年02期

6 韓真;凱文·哈特尼特;;為神經(jīng)網(wǎng)絡(luò)的通用理論建造基石[J];世界科學(xué);2019年04期

7 鮑偉強(qiáng);陳娟;熊濤;;基于進(jìn)化神經(jīng)網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測(cè)研究[J];電工技術(shù);2019年11期

8 陳曉燕;;淺析簡(jiǎn)單神經(jīng)網(wǎng)絡(luò)的發(fā)展及簡(jiǎn)單模型[J];數(shù)字技術(shù)與應(yīng)用;2019年05期

9 李青華;李翠平;張靜;陳紅;王紹卿;;深度神經(jīng)網(wǎng)絡(luò)壓縮綜述[J];計(jì)算機(jī)科學(xué);2019年09期

10 劉高宇;;深度神經(jīng)網(wǎng)絡(luò)在煤質(zhì)數(shù)據(jù)分析與預(yù)測(cè)中的應(yīng)用[J];電腦知識(shí)與技術(shù);2019年28期

相關(guān)會(huì)議論文 前10條

1 孫軍田;張U

本文編號(hào)：2594186