近年來,隨著深度學習的迅速發(fā)展,醫(yī)學圖像分割技術取得了重大突破。在這方面,U-Net一直是醫(yī)學影像界最流行的架構(gòu)。U-Net是一種端對端的對稱模型,在分割多模態(tài)醫(yī)學圖像方面表現(xiàn)了卓越的性能,為醫(yī)生診斷和治療病人提供了方便。但通過對醫(yī)學數(shù)據(jù)集進行的多次實驗,發(fā)現(xiàn)傳統(tǒng)的U-Net在某些方面有不足的地方。因此本論文提出了一種新的深度學習模型來改進經(jīng)典U-Net,本模型是基于DenseNet、ResNet的思想和U-Net的網(wǎng)絡結(jié)構(gòu),故稱它為ResDense UNet。并在皮膚病變的數(shù)據(jù)集和光學細胞的數(shù)據(jù)集上進行了多次測試與比較。ResDense U-net與經(jīng)典U-Net相比,性能分別提升了3.07%、1.38%。雖然模型結(jié)構(gòu)沒有變化很大,但是在性能提升上較為明顯,同時在成像的細節(jié)方面也比UNet更為完善。本文創(chuàng)新點如下:第一,基于ResNet和DenseNet的思想,將原U-Net中的連續(xù)雙層卷積替換為ResDense-block,來緩解梯度消失和加強特征重用�？紤]到U-Net原有的通道數(shù)逐級倍增,對ResDense-block中的輸出通道做了些許調(diào)整,減少了參數(shù),防止過擬合。第二,將所有... 

【文章來源】：吉林大學吉林省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：44 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 選題背景
    1.2 研究意義
    1.3 本論文的主要內(nèi)容
第2章 卷積神經(jīng)網(wǎng)絡的基礎理論
    2.1 卷積與池化
    2.2 損失函數(shù)
    2.3 上采樣
    2.4 欠擬合與過擬合
    2.5 dropout
    2.6 優(yōu)化算法
第3章 基礎網(wǎng)絡
    3.1 ResNet
    3.2 DenseNet
    3.3 U-Net
第4章 歸一化
    4.1 批歸一化
    4.2 組歸一化
第5章 ResDense U-Net網(wǎng)絡結(jié)構(gòu)
    5.1 ResDense-block
    5.2 非對稱卷積塊
    5.3 Res連接
第6章 實驗過程和結(jié)果
    6.1 訓練過程
    6.2 實驗結(jié)果
    6.3 后處理
第7章 總結(jié)與展望
    7.1 總結(jié)
    7.2 展望
參考文獻
致謝



本文編號：3203956