急性缺血性腦卒中是較為常見(jiàn)的腦血管疾病,具有高患病率、高死亡率等特性。及時(shí)準(zhǔn)確的診斷和治療能有效地改善腦部缺血區(qū)的供血,從而降低致殘或死亡的風(fēng)險(xiǎn)。目前,對(duì)急性缺血性腦卒中的診斷往往是依靠醫(yī)生對(duì)腦卒中磁共振成像（Magnetic resonance images,MRI）進(jìn)行分析,通過(guò)對(duì)病灶的位置、形狀、邊界及大小進(jìn)行觀測(cè)來(lái)制定診療方案,但這樣費(fèi)時(shí)費(fèi)力且會(huì)引入觀測(cè)者間的主觀差異。建立缺血性腦卒中病灶自動(dòng)診斷方法可以幫助醫(yī)生快速準(zhǔn)確地制定診療方案、提高診斷準(zhǔn)確率、縮短搶救時(shí)間。本文基于深度神經(jīng)網(wǎng)絡(luò),提出了四種缺血性腦卒中病灶自動(dòng)分割方法,并應(yīng)用于缺血性腦卒中分割（Ischemic Stroke Lesion Segmentation,ISLES）2015 MRI數(shù)據(jù)庫(kù),用DICE、精確度、靈敏度及分割距離系數(shù)指標(biāo)對(duì)實(shí)驗(yàn)分割結(jié)果進(jìn)行評(píng)估,并通過(guò)與現(xiàn)存方案對(duì)比來(lái)說(shuō)明本文所提方案的優(yōu)越性。主要研究?jī)?nèi)容如下:（1）提出基于二維（Two-dimensional,2D）全卷積神經(jīng)網(wǎng)絡(luò)的缺血性腦卒中病灶分割算法。該算法首先選取缺血性腦卒中的MRI切片數(shù)據(jù),并完成數(shù)據(jù)預(yù)處理;其次,通過(guò)U型全卷積神經(jīng)網(wǎng)絡(luò)（... 

【文章來(lái)源】：南昌大學(xué)江西省 211工程院校

【文章頁(yè)數(shù)】：71 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

基于2D全卷積神經(jīng)網(wǎng)絡(luò)的缺血性腦卒中分割算法一化、數(shù)據(jù)增廣）

2 章 基于 2D 全卷積神經(jīng)網(wǎng)絡(luò)的缺血性腦卒中分lingLayer）也稱下采樣層（SubsamplingLaye維度，進(jìn)而使網(wǎng)絡(luò)中的參數(shù)和計(jì)算量減少的高模型容錯(cuò)性。池化層的表達(dá)式如下所示。1( ( ) )l l l lj j j jx f down x b ( )表示為下采樣函數(shù)， 和b 分別表示乘性用的池化操作有兩種，分別為均值池化(Meng)。均值池化就是將濾波器范圍內(nèi)的均值作器范圍內(nèi)的最大值作為池化輸出，如圖 2.1

此需要在最后一層卷積層后添加上采樣層（upsampling layer）。上采樣操作就是一個(gè)圖像插值過(guò)程，在 FCN 中通過(guò)對(duì)特征圖進(jìn)行雙線性插值來(lái)獲得與輸入圖像大小一致的分割結(jié)果。在經(jīng)過(guò)上采樣之后，用softmax層對(duì)每一個(gè)像素進(jìn)行分類，計(jì)算損失函數(shù)通過(guò)反向傳播來(lái)更新網(wǎng)絡(luò)參數(shù)。而為了得到更細(xì)化的分割結(jié)果，F(xiàn)CN 用了跳躍連接（skiparchitecture）將淺層的空間信息與深層的特征信息相結(jié)合,分別提出了 FCN-32s、FCN-16s 及 FCN-8s 三種上采樣方式不同的網(wǎng)絡(luò)架構(gòu)。FCN-32s 就是在網(wǎng)絡(luò)經(jīng)過(guò) 5 次卷積池化，各層的輸出圖像分辨率依次縮小了 2，4，8，16，32 倍后，直接對(duì)最后一層輸出特征圖進(jìn)行 32 倍的上采樣操作，但是這樣獲得的分割結(jié)果極為粗糙。FCN-16s 是將最后一層的特征圖與第四層池化層的進(jìn)行融合，對(duì)融合后的特征圖進(jìn)行 16 倍的上采樣操作。而 FCN-8s 是將最后一層得到的特征圖、第四層池化層得到的特征圖以及第三層得到的特征圖融合到一起在進(jìn)行 8 倍的上采樣操作。結(jié)果表明 FCN-8s 的分割結(jié)果最優(yōu)，F(xiàn)CN-16s的效果次之，F(xiàn)CN-32s 的分割效果最差。本研究用 FCN-8s 對(duì) TTP 模態(tài)的急性缺血性腦卒中 MRI 切片圖進(jìn)行分割，網(wǎng)絡(luò)架構(gòu)如圖 2.12 所示。

【參考文獻(xiàn)】：
期刊論文
[1]深度學(xué)習(xí)理論綜述[J]. 韓小虎,徐鵬,韓森森.  計(jì)算機(jī)時(shí)代. 2016(06)

博士論文
[1]基于神經(jīng)網(wǎng)絡(luò)技術(shù)的結(jié)構(gòu)可靠性分析與優(yōu)化設(shè)計(jì)[D]. 張雷.吉林大學(xué) 2004

碩士論文
[1]結(jié)合MRI多模態(tài)信息與3D-CNNS特征提取的腦腫瘤分割研究[D]. 羅蔓.南方醫(yī)科大學(xué) 2015



本文編號(hào)：3074757