乳腺癌已經(jīng)成為了女性致死率最高的癌癥之一,每年上百萬的女性遭受乳腺癌的折磨。如果能夠在早期發(fā)現(xiàn)乳腺癌并接受有效治療,患者存活率將顯著提升。目前癌癥檢查的措施有多種,但是乳腺超聲檢測(cè)技術(shù)憑借其低成本和高性價(jià)比的特點(diǎn),逐漸被廣泛采納。伴隨著計(jì)算機(jī)技術(shù)的發(fā)展,計(jì)算機(jī)輔助診斷（CAD）成為了輔助醫(yī)生診斷的重要方法,在提升醫(yī)生診斷準(zhǔn)確性和客觀性,避免誤診和提高效率方面起到了重要作用。目前的乳腺超聲CAD系統(tǒng)主要是通過處理乳腺超聲圖像,分割出乳腺中的腫瘤部位,主要分為半自動(dòng)和全自動(dòng)分割兩種。目前常用的方法大多數(shù)是半自動(dòng)的,這種方法通過人工選定種子點(diǎn)或者標(biāo)注感興趣區(qū)域的方式完成分割,在大批量數(shù)據(jù)情況下勢(shì)必會(huì)增加醫(yī)生負(fù)擔(dān)和誤診率,很難實(shí)現(xiàn)大規(guī)模推廣。全自動(dòng)分割方法幾乎不需要人工參與,但是在分割過程中僅僅分割出單一的腫瘤區(qū)域,忽略其他乳腺組織對(duì)醫(yī)生診斷的幫助。在醫(yī)生實(shí)際診斷過程中,除了腫瘤的位置、紋理和形狀是主要參照目標(biāo)外,乳腺中的皮膚層、脂肪層、腺體層和肌肉層也會(huì)作為輔助參照目標(biāo)。因此,目前的全自動(dòng)分割方法,沒有全局性地考慮到其他組織對(duì)于醫(yī)生診斷的影響,分割能力有限。針對(duì)上述問題,本文結(jié)合卷積神經(jīng)網(wǎng)絡(luò)... 

【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)】：64 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

Sigmoid、Tanh和Relu函數(shù)

網(wǎng)絡(luò)結(jié)構(gòu)的不斷優(yōu)化，另一方面在于硬件計(jì)算能力的極大提升，這得益于顯卡中上千內(nèi)核并行化的計(jì)算方式。在 1962 年，生物視覺認(rèn)知的機(jī)制被 Hubel 等人發(fā)現(xiàn)，并提出了感受野的概念。Kunihiko Fukushima 等人受此啟發(fā)在 1980 年提出了認(rèn)知機(jī)（neocognitron）[44]。認(rèn)知機(jī)將圖像的視覺特征分解成若干子特征，這些子特征在網(wǎng)絡(luò)結(jié)構(gòu)上逐層處理，試圖使認(rèn)知機(jī)能夠在圖像中物體發(fā)生位移和形變的情況下也能夠正確識(shí)別，后期該模型被應(yīng)用到手寫數(shù)字的識(shí)別當(dāng)中，該模型被認(rèn)為是卷積網(wǎng)絡(luò)的前身，是感受野在深度學(xué)習(xí)領(lǐng)域的第一次應(yīng)用。1998 年，Yann LeCun 等人綜合自身的研究成果，提出了 LetNet-5 網(wǎng)絡(luò)模型[45]，模型結(jié)構(gòu)如圖 2-3 所示。該網(wǎng)絡(luò)結(jié)構(gòu)使用卷積核作為感受野，通過卷積的方式提取空間特征，并使用 Sigmoid 函數(shù)完成非線性變換，選擇多層神經(jīng)網(wǎng)絡(luò)作為最終分類器。LetNet-5 模型層層之間連接采用稀疏矩陣連接，縮小了計(jì)算成本，在沒有 GPU 參與情況下，在手寫體識(shí)別領(lǐng)域取得較好的結(jié)果。LetNet-5對(duì)于卷積神經(jīng)網(wǎng)絡(luò)最大的貢獻(xiàn)在于其確定了現(xiàn)代卷積網(wǎng)絡(luò)的基本結(jié)構(gòu)和組成，為后續(xù)這方面的研究奠定了基礎(chǔ)。

圖 2-5 最大值池化和均值池化工作原理圖全連接層主要完成分類工作，本質(zhì)上就是一個(gè)多層神經(jīng)網(wǎng)絡(luò)。通過全卷積核池化后的特征被映射到訓(xùn)練樣本所在的標(biāo)記空間，從而完成目全卷積神經(jīng)網(wǎng)絡(luò) 圖像語義分割概述圖像語義分割[50]就是根據(jù)圖像中的語義內(nèi)容去分割圖像，對(duì)圖像中素做分類。語義分割和常規(guī)的分割有巨大的不同，后者只要分割出好，而且前者在分割的同時(shí)還需要給分割結(jié)果加上語義理解，所謂的就是指出分割出來的目標(biāo)是什么。圖 2-6 中的語義是乳腺在超聲圖存在，左圖為原圖，右圖為語義識(shí)別結(jié)果，對(duì)于乳腺超聲圖像的表出所有的乳腺組織，為方便顯示，分割結(jié)果中的不同組織被用不同的。本文研究的主要目的就是通過卷積網(wǎng)絡(luò)實(shí)現(xiàn)乳腺超聲圖像的語義分

【參考文獻(xiàn)】：
期刊論文
[1]2017年中國最新癌癥數(shù)據(jù)[J].   中國腫瘤臨床與康復(fù). 2017(06)
[2]Incidence,mortality and survival of female breast cancer during 2003-2011 in Jiangsu province,China[J]. Xinran Yan,Renqiang Han,Jinyi Zhou,Hao Yu,Jie Yang,Ming Wu.  Chinese Journal of Cancer Research. 2016(03)
[3]基于改進(jìn)的區(qū)域生長與GVF snake的超聲圖像分割[J]. 劉丹,楊艷,孫盡堯.  科技通報(bào). 2016(04)
[4]復(fù)雜水體邊界提取的改進(jìn)正交T-Snake模型[J]. 孟令奎,呂琪菲.  測(cè)繪學(xué)報(bào). 2015(06)
[5]Latest advances of X-ray imaging and biomedical applications beamline at SSRF[J]. 謝紅蘭,鄧彪,杜國浩,付亞楠,陳榮昌,周光照,任玉琦,王玉丹,薛艷玲,彭冠云,和友,郭瀚,肖體喬.  Nuclear Science and Techniques. 2015(02)
[6]動(dòng)態(tài)增強(qiáng)MRI、超聲及X射線對(duì)乳腺良惡性病灶診斷的對(duì)比研究[J]. 袁紅梅,余建群,褚志剛,彭禮清.  中國普外基礎(chǔ)與臨床雜志. 2015(02)
[7]Magnetic resonance imaging in breast cancer:A literature review and future perspectives[J]. Gisela LG Menezes,Floor M Knuttel,Bertine L Stehouwer,Ruud M Pijnappel,Maurice AAJ van den Bosch.  World Journal of Clinical Oncology. 2014(02)
[8]超聲乳腺腫瘤的全自動(dòng)SVM檢測(cè)與水平集分割算法[J]. 徐靜,高鑫.  計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào). 2012(05)
[9]基于區(qū)域生長法的超聲圖像分割[J]. 劉自德,馮成德,黃秀娟.  影像技術(shù). 2007(03)

博士論文
[1]圖像特征提取方法及其應(yīng)用研究[D]. 劉淑琴.西北大學(xué) 2016
[2]圖像閾值分割關(guān)鍵技術(shù)研究[D]. 龍建武.吉林大學(xué) 2014

碩士論文
[1]基于顯著性檢測(cè)的乳腺超聲圖像魯棒分割方法[D]. 李俊崢.哈爾濱工業(yè)大學(xué) 2017



本文編號(hào)：3437269