在快速發(fā)展的當(dāng)代社會,由于科技的不斷進(jìn)步,圖像成為人們快速獲取信息的重要途徑之一。圖像分割作為圖像處理中最棘手的一方面,也是對生活、工作、學(xué)習(xí)極為重要的一方面。傳統(tǒng)的圖像分割主要分為區(qū)域分割和邊界分割兩種,在近幾年興起的神經(jīng)網(wǎng)絡(luò)中,將圖像分割分為語義分割和實(shí)例分割兩大類。本文利用深度神經(jīng)網(wǎng)絡(luò)對圖像進(jìn)行區(qū)域分割,得到目標(biāo)所在大致位置,作為邊界分割的初始位置,最后得到精確的分割結(jié)果。在醫(yī)學(xué)圖像分割中比較主流的神經(jīng)網(wǎng)絡(luò)叫做U-net神經(jīng)網(wǎng)絡(luò),形狀酷似英文字母U,左側(cè)使用卷積層來學(xué)習(xí)圖像特征,同時(shí)使用下采樣層來增大感受野,右側(cè)使用上采樣層的同時(shí),復(fù)制左側(cè)的圖像特征再進(jìn)行新特征的學(xué)習(xí)。由于下采樣層會破壞圖像的細(xì)節(jié)信息,所以本文提出了一種不損失圖像信息并且可以增大感受野的擴(kuò)展卷積神經(jīng)網(wǎng)絡(luò)。主要思想是利用擴(kuò)展卷積來代替下采樣層對心臟右心室進(jìn)行分割,并在中間層對前一層的信息進(jìn)行復(fù)制,使網(wǎng)絡(luò)可以學(xué)習(xí)到更多的圖像信息。由于醫(yī)學(xué)圖像的精確性,我們使用U-net神經(jīng)網(wǎng)絡(luò),D-net神經(jīng)網(wǎng)絡(luò)以及閾值分割法來進(jìn)行粗略的區(qū)域分割,給出心臟右心室的大致位置,為下面的精確邊緣分割提供初始位置。我們在圖像的邊界分給中提出... 

【文章來源】：哈爾濱工業(yè)大學(xué)黑龍江省 211工程院校 985工程院校

【文章頁數(shù)】：54 頁

【學(xué)位級別】：碩士

【部分圖文】：

神經(jīng)網(wǎng)絡(luò)單元結(jié)構(gòu)

哈爾濱工業(yè)大學(xué)理學(xué)碩士學(xué)位論文 卷積層：在數(shù)學(xué)中所定義的卷積與神經(jīng)網(wǎng)絡(luò)中所用到的卷積有所不同，在泛函分析[16]中，卷積是一種運(yùn)算符，它使用兩個(gè)不同的或兩個(gè)相同的函數(shù) f 和g 并獲得第三個(gè)函數(shù)。在深度學(xué)習(xí)中應(yīng)用卷積層的目的主要是用來進(jìn)行特征提取操作，更復(fù)雜，更多的網(wǎng)絡(luò)將會在不斷的迭代中學(xué)習(xí)到更加復(fù)雜的特征。我們在圖像的卷積過程中使用點(diǎn)積計(jì)算來代替數(shù)學(xué)上真正的卷積。也就是說卷積核中的值與圖像中的像素值進(jìn)行點(diǎn)積運(yùn)算來完成卷積過程。 擴(kuò)展卷積[17]：擴(kuò)展卷積是卷積的一種，利用擴(kuò)展因子來增大感受野，目前擴(kuò)展卷積在圖像處理中大受歡迎，而在自然語言處理方面應(yīng)用卻不是十分廣泛。

圖 2-3 卷積后圖像大小eLu 層[18]：卷積操作之后都要經(jīng)過激活函數(shù)的作用。目的在于卷積操作只線性操作，在經(jīng)過 ReLu 層的激活作用之后，為結(jié)構(gòu)引入非線性特征。所的輸入都將經(jīng)過函數(shù)f ( x ) max ( 0,x)作用，將所有的負(fù)激活變成 0。采樣層[19]：下采樣層也可以稱為池化層，一般在進(jìn)行卷積操作之后，圖像特征的維度就會變得很大，需要將特征分割開，得到一些新的并且維度比小的特征，這時(shí)池化層開始發(fā)揮作用。在神經(jīng)網(wǎng)絡(luò)中應(yīng)用比較廣泛的就是大池化層，也就是在所相鄰的區(qū)域內(nèi)，取最大特征的那一個(gè)作為新的特征。采樣層[20]：在經(jīng)過卷積和池化的作用之后，圖像會越來越小，分辨率會越越低，因此，本文采用上采樣操作逐層增加圖像的大小和圖像的分辨率。igmoid 激活函數(shù)：( )-11xxe


本文編號：3107921