深度學(xué)習(xí)在醫(yī)學(xué)影像上的應(yīng)用越來(lái)越廣泛,深度學(xué)習(xí)的主要應(yīng)用為醫(yī)學(xué)圖像的分類、分割以及檢測(cè)。本文詳細(xì)介紹和總結(jié)了深度學(xué)習(xí)針對(duì)不同器官的相關(guān)應(yīng)用并提出將深度學(xué)習(xí)應(yīng)用于肝臟腫瘤分割,該方法主要基于深度學(xué)習(xí)中的分割與檢測(cè)。結(jié)直腸癌肝轉(zhuǎn)移（CRLM）的臨床診斷治療中最重要的步驟是對(duì)肝癌的評(píng)估。本文提出一種應(yīng)用于CRLM的網(wǎng)絡(luò)模型,可以自動(dòng)完成病患腹部肝臟腫瘤的分割與檢測(cè)的任務(wù)。該網(wǎng)絡(luò)模型采用改進(jìn)的級(jí)聯(lián)網(wǎng)絡(luò)輔助醫(yī)師進(jìn)行后續(xù)診斷和定量分析。改進(jìn)的級(jí)聯(lián)網(wǎng)絡(luò)由U-Net和Mask R-CNN組成,分別用于肝臟腫瘤的分割與檢測(cè)。步驟一,訓(xùn)練的U-Net模型作為級(jí)聯(lián)網(wǎng)絡(luò)的第一層用于分割肝臟器官作為感興趣區(qū)域（ROI）;步驟二,針對(duì)ROI區(qū)域進(jìn)行形態(tài)學(xué)活動(dòng)輪廓的剪裁與提取;步驟三,訓(xùn)練第二個(gè)U-Net模型和Mask R-CNN模型作為級(jí)聯(lián)網(wǎng)絡(luò)的第二層分別完成ROI區(qū)域內(nèi)肝臟腫瘤的精準(zhǔn)分割和檢測(cè)。通過(guò)大量實(shí)驗(yàn)證明,級(jí)聯(lián)的U-Net模型的肝臟轉(zhuǎn)移瘤分割的平均Dice系數(shù)約為74%,均值平均精度（mAP）為83%;對(duì)于Mask R-CNN模型的腫瘤實(shí)例分割的平均Dice系數(shù)為67%,mAP為88%。本文通過(guò)進(jìn)一步的實(shí)... 

【文章來(lái)源】：吉林大學(xué)吉林省211工程院校985工程院校教育部直屬院校

【文章頁(yè)數(shù)】：92 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

深度學(xué)習(xí)網(wǎng)絡(luò)模型發(fā)展歷程

2深度學(xué)習(xí)的肝臟及肝臟腫瘤分割和檢測(cè)8的肝臟腫瘤分割模型；通過(guò)檢測(cè)網(wǎng)絡(luò)(MASKR-CNN)完成腫瘤的實(shí)例分割，獲取腫瘤的置信度以及獲取更多的小腫瘤的位置信息。圖2.1改進(jìn)的級(jí)聯(lián)網(wǎng)絡(luò)流程圖2.2級(jí)聯(lián)網(wǎng)絡(luò)模型隨著深度學(xué)習(xí)的高速發(fā)展，越來(lái)越多的深度學(xué)習(xí)模式識(shí)別，圖像分割算法被提出。但是不可避免的某一種算法具有一定的局限性以及針對(duì)不同任務(wù)的適用條件。級(jí)聯(lián)網(wǎng)絡(luò)顧名思義就是將多種神經(jīng)網(wǎng)絡(luò)連接在一起的結(jié)構(gòu)模型。通過(guò)這種將網(wǎng)絡(luò)級(jí)聯(lián)在一起的方法，可以有效的將各種不同的神經(jīng)網(wǎng)絡(luò)結(jié)合在一起，取長(zhǎng)補(bǔ)短，彌補(bǔ)個(gè)別網(wǎng)絡(luò)的局限性，提高網(wǎng)絡(luò)整體性能，并且完成不同的任務(wù)。級(jí)聯(lián)神經(jīng)網(wǎng)絡(luò)的每一級(jí)網(wǎng)絡(luò)結(jié)構(gòu)，通常情況下由不同的特征提取模塊以及不同的神經(jīng)網(wǎng)絡(luò)組成。特征提取模塊就是從訓(xùn)練數(shù)據(jù)中提取表示圖像共性目標(biāo)的特征，神經(jīng)網(wǎng)絡(luò)通過(guò)對(duì)所有訓(xùn)練數(shù)據(jù)進(jìn)行訓(xùn)練，提取共同的特征。不同的網(wǎng)絡(luò)提取特征的能力不同，即使相同的網(wǎng)絡(luò)不同的層數(shù)，不同的輸入數(shù)據(jù)，不同的初始化

2深度學(xué)習(xí)的肝臟及肝臟腫瘤分割和檢測(cè)10通過(guò)將卷積層代替全連接層便可以實(shí)現(xiàn)輸入任意尺寸的圖片，輸出一副等大的圖像，完成一個(gè)端到端的網(wǎng)絡(luò)模型設(shè)計(jì)。圖2.2U-Net網(wǎng)絡(luò)模型(1)圖2.2中U-Net網(wǎng)絡(luò)模型左邊一側(cè)被稱為收縮路徑(contractingpath)，收縮路徑主要由卷積層和池化層組成。池化層的池化方式選擇最大池化。收縮路徑用于獲取上下文信息進(jìn)行特征抽齲其中卷積層的目的完成特征的提取，池化層的目的是進(jìn)行特征的壓縮。

【參考文獻(xiàn)】：
期刊論文
[1]Colorectal liver metastases:An update on multidisciplinary approach[J]. Felix Che-Lok Chow,Kenneth Siu-Ho Chok.  World Journal of Hepatology. 2019(02)



本文編號(hào)：3615952