【摘要】：隨著醫(yī)學(xué)圖像在醫(yī)療衛(wèi)生領(lǐng)域的普遍應(yīng)用,醫(yī)學(xué)圖像分割在病理分析、臨床診斷和醫(yī)學(xué)研究等領(lǐng)域扮演著重要角色。近幾年,卷積神經(jīng)網(wǎng)絡(luò)特征提取能力的不斷挖掘,越來(lái)越多的深度學(xué)習(xí)技術(shù)被用于醫(yī)學(xué)圖像分割任務(wù),也取得了相比于傳統(tǒng)分割方法更好的結(jié)果。全卷積神經(jīng)網(wǎng)絡(luò)(Fully Convolutional Network,FCN)是一種廣泛應(yīng)用于圖像分割的深度學(xué)習(xí)技術(shù),但是由于醫(yī)學(xué)圖像中分割目標(biāo)的大小、形狀變化復(fù)雜,正負(fù)樣本分布不平衡等問(wèn)題,FCN在一些醫(yī)學(xué)圖像分割中并未達(dá)到很好的預(yù)期效果。為了獲得更加精確的分割結(jié)果,本文提出了兩種基于全卷積神經(jīng)網(wǎng)絡(luò)的改進(jìn)方法。這些方法對(duì)分割目標(biāo)的形態(tài)變化有較好的魯棒性,提高了分割準(zhǔn)確度。本文的主要工作如下:1.受DenseNet和U-Net等神經(jīng)網(wǎng)絡(luò)的啟發(fā),本文提出了一種基于全卷積DenseNet網(wǎng)絡(luò)結(jié)構(gòu)的醫(yī)學(xué)圖像分割方法。該方法將目前分類性能較好的DenseNet從自然圖像遷移到醫(yī)學(xué)圖像數(shù)據(jù)集,以提高網(wǎng)絡(luò)特征提取能力和訓(xùn)練速度;并且采用反卷積和類似U-Net的連接方式,在恢復(fù)分辨率的同時(shí)融合細(xì)節(jié)信息,從而實(shí)現(xiàn)端到端的圖像分割網(wǎng)絡(luò);引入并改進(jìn)Dice相似性損失函數(shù),以解決醫(yī)學(xué)圖像中背景區(qū)域遠(yuǎn)遠(yuǎn)大于目標(biāo)區(qū)域?qū)е碌哪Ｐ陀?xùn)練困難問(wèn)題。在前列腺分割數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn),相較于目前的主要方法,該方法分割效果更好,所耗時(shí)間更短。2.本文提出一種具有可變形編碼器和重構(gòu)上采樣解碼器的U-Net醫(yī)學(xué)圖像分割方法。該方法使用并改進(jìn)可變形卷積提高網(wǎng)絡(luò)學(xué)習(xí)幾何形變的能力,并提出更有效的上采樣方法——重構(gòu)上采樣卷積(Reshape Upsampling Convolution,RUC)。該分割方法將集中性損失函數(shù)(Focal Loss)應(yīng)用到醫(yī)學(xué)圖像分割任務(wù)中,解決了樣本分布不均和簡(jiǎn)單樣本過(guò)多導(dǎo)致的模型偏移問(wèn)題。所提出的方法不僅大大降低了網(wǎng)絡(luò)的參數(shù)數(shù)量,并且在果蠅細(xì)胞數(shù)據(jù)集和Warwick-QU腺體數(shù)據(jù)集上取得了較好的分割效果。
【圖文】：

微鏡下的細(xì)胞圖像為例，圖 2.1 展示了對(duì)原始圖像和標(biāo)簽進(jìn)行翻轉(zhuǎn)剪裁的效果圖，標(biāo)簽圖中白色表示細(xì)胞，黑色表示細(xì)胞膜。從圖據(jù)增強(qiáng)可以大大提高圖像的多樣性，擴(kuò)大數(shù)據(jù)集。在數(shù)據(jù)增強(qiáng)的到雙線性插值，標(biāo)簽圖會(huì)產(chǎn)生小數(shù)，這與標(biāo)簽必須是整數(shù)相違背的標(biāo)簽圖進(jìn)行二值化操作。的數(shù)據(jù)增強(qiáng)方法外，在醫(yī)學(xué)圖像中也常常用到隨機(jī)彈性扭曲來(lái)擴(kuò)先，將原始圖像分成 l×l 的網(wǎng)格，再對(duì)每個(gè)非圖像邊緣的網(wǎng)格點(diǎn)選，選取方式往往是從標(biāo)準(zhǔn)差為 m 像素的高斯分布中隨機(jī)抽取。根格點(diǎn)進(jìn)行位移，并對(duì)其它位置的像素采用插值法計(jì)算其值，最后的新圖像。由于插值的方法往往選擇雙線性插值，彈性扭曲后的小數(shù)值，需要對(duì)增強(qiáng)后的標(biāo)簽圖進(jìn)行取整。

圖 2.3 LeNet-5 網(wǎng)絡(luò)結(jié)構(gòu)示意圖卷積神經(jīng)網(wǎng)絡(luò)包含了卷積層(Convolutional Layer)、激活函數(shù)、池化層(PoolingLayer)和全連接層(Full Connection Layer)。如圖 2.3 所示，卷積層和池化層交替設(shè)置進(jìn)行特征提取，在網(wǎng)絡(luò)最后采用全連接層整合提取的特征并輸出類別概率。在基于深度卷積神經(jīng)網(wǎng)絡(luò)的圖像分割方法中，采用的就是這種分類網(wǎng)絡(luò)。在基于全卷積神經(jīng)網(wǎng)絡(luò)的圖像分割方法中，全連接層被舍棄，通常采用反卷積層(Deconvolutional Layer)等上采樣方法進(jìn)行分辨率恢復(fù)，直接輸出分割概率圖。2.2.1 卷積層卷積層包含了多個(gè)特征圖(Feature Map),特征圖中的每個(gè)元素（又稱為神經(jīng)元）通過(guò)卷積核與前一層的局部區(qū)域連接（如圖 2.3 所示），這有益于提取到一些有意義的局部特征，比如邊緣特征[36]。卷積核是一個(gè)權(quán)值矩陣，，在同一個(gè)特征圖中所
【學(xué)位授予單位】：重慶郵電大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類號(hào)】：R445;TP391.41;TP18

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 張光華;潘婧;羅躍國(guó);;聚類算法在醫(yī)學(xué)圖像分割中的應(yīng)用[J];計(jì)算機(jī)產(chǎn)品與流通;2019年03期

2 劉宇;陳勝;;醫(yī)學(xué)圖像分割方法綜述[J];電子科技;2017年08期

3 康毓秀;趙錫英;李彭博;徐艷;;一種改進(jìn)的醫(yī)學(xué)圖像分割聚類算法[J];蘭州工業(yè)學(xué)院學(xué)報(bào);2017年04期

4 徐效文;楊志剛;;光學(xué)相干層析醫(yī)學(xué)圖像分割研究現(xiàn)狀[J];中國(guó)醫(yī)學(xué)物理學(xué)雜志;2016年07期

5 陳明;趙云;范能勝;張懷\

本文編號(hào)：2621394