【摘要】：大腦是人體最重要的器官之一,它的健康問題一直是人們關注的重點。隨著醫(yī)學成像技術的發(fā)展,磁共振成像技術(Magnetic Resonance Imaging,MRI)已經成為診斷大腦狀況的一個重要手段。大腦圖像的分割在臨床醫(yī)學中對疾病診斷、病灶組織的定位以及疾病的治療方案等具有重要的指導意義,但是手動分割大腦核磁共振圖像是一個非常耗時且繁瑣的任務。自動、準確地分割大腦MRI圖像已經成為醫(yī)學輔助診斷與治療的重要話題。卷積神經網絡(Convolutional Neural Network,CNN)是深度學習領域的一個重要組成部分,它通過優(yōu)化算法不斷優(yōu)化從數據集中學習到的數據分布,然后將該分布應用于目標數據來完成特定任務,然而傳統的CNN并不能直接應用于圖像的分割任務。全卷積神經網絡(Fully Convolutional Network,FCN)實現了端到端的分類,即直接分割功能。但是FCN這類端到端的卷積神經網絡模型也無法避免在下采樣等網絡傳遞過程中細節(jié)特征的丟失,在上采樣時這些細節(jié)信息難以恢復。大腦組織紋理復雜,各組織分布分散,細節(jié)較多,卷積神經網絡中細節(jié)信息的丟失會影響大腦組織的細節(jié)分割。為了克服全卷積神經網絡在處理MRI圖像分割問題上的不足,本文設計了一種融合超體素與卷積神經網絡的三維腦MRI圖像分割算法。經典的Inception模塊能通過四個并行分支提供更為稠密的特征信息,這能有效彌補FCN中過多細節(jié)信息丟失的問題,所以本文將Inception模塊引入到了FCN中。另外,由于超體素具有邊界貼合與同質性等特點,能十分方便快速地提供邊界、細節(jié)信息,因此在三維空間上將超體素提供的細節(jié)信息與卷積神經網絡學習到的局部、全局特征進行融合,實現腦MRI圖像的有效分割。為了評估本文提出的腦MRI圖像的分割算法的性能,本文選擇了通用的IBSR18和BrainWeb20數據集進行實驗,并考察了超體素個數與算法中參數對算法性能的影響。算法性能的評估采用了Dice、Mean IU、AVD和Hausdorff距離四個指標。大量的實驗證明,該算法可以將腦MRI圖像有效地分割成腦脊液、灰質和白質和背景四個部分,相較于經典算法有顯著優(yōu)勢。
【學位授予單位】：東南大學
【學位級別】：碩士
【學位授予年份】：2018
【分類號】：R445.2;TP391.41;TP183
【圖文】：

種基于塊的卷積神經網絡方法對腦 MRI 圖像進行分割，該方法首先將圖像中的像素點分到具有一些公共像素點的塊中，然后將這些塊作為訓練集進行訓練[37]。Dolz 等人提出了一種基于半密集完全卷積的三維 CNN 架構用于分割嬰兒大腦組織[38]。雖然目前腦 MRI 圖像的分割方法已有許多，但是還有很多學者在不斷探索，不斷提出新的研究思想和分割算法。目前已有的方法各有利弊，對于特定的圖像都有較好的分割效果。腦 MRI 圖像的自動分割仍然是一個研究的重點。1.3論文研究內容及意義磁共振圖像具有高對比度、高分辨率以及多角度等特點，其對于大腦的分析比較有效。目前，腦 MRI 圖像已經廣泛應用于大腦的疾病診斷和治療、認知科學研究等，本文研究的圖像為大腦 MRI 圖像。腦組織的分割是臨床上分析病灶組織、診斷疾病、制定治療方案的重要基礎。大腦組織包括腦脊液、灰質和白質等部分，本文的目的是實現對大腦組織有效的自動分割。但是腦 MRI 圖像本身會受噪聲、灰度不均等影響，而且大腦的組織結構紋理較為復雜，白質、灰質及腦脊液組織分布分散，這些使得自動準確的分割腦 MRI 圖像仍較為困難。圖 1-1 展示了一個腦 MRI 圖像的三個剖面。

卷積神經網絡是深度學習中的一個重要組成部分。20 世紀 90 年代，LeCun[44]等了 CNN 的現代結構，設計了 LeNet-5 網絡模型。CNN 能夠從原始圖像獲得有效直接有效從原始像素中學習到圖像分布。然而，當時計算機的計算能力有限，以大規(guī)模的訓練數據，使得 LeNet-5 對于復雜問題的處理結果并不理想。直到 20Hinton 提出了深度學習，并首次成功應用于分類 ImageNet 數據集，從而使得深神經網絡取得了突破性的進展。近年來，深度學習卷積神經網絡在圖像處理和模等領域都取得了較好的成果。2015 年 Long[45]等人提出全卷積神經網絡模型應用分割，開辟了圖像分割領域的新方向。卷積神經網絡結構中一般包含一些基本層積層、激活層、池化層等。卷積神經網絡基本組成1 卷積層傳統的全連接網絡中，每個節(jié)點會連接上一層的所有節(jié)點，這種方式會導致參數模型訓練困難，另外容易產生過擬合現象。而卷積神經網絡中，卷積層實現的是接，這能有效降低模型的參數量。如圖 2-1 所示，左側為局部連接，右側為全連接

第二章 卷積神經網絡理論 )/ + 1， = 。圖 2-2 展示了圖像大小為 4×4，卷積核大小為 0時的卷積過程。通過卷積核尺寸、步長 和零填充 可以控制卷積例如卷積核大小設為 3， 設為 1，步長設為 1，則特征圖像經過卷不變。如果卷積核大小設為 2， 設為 0，步長設為 2，則特征圖像現降采樣的效果。

【參考文獻】

相關期刊論文 前2條

1 朱曉舒;孫權森;夏德深;孫懷江;;基于MultiLayer水平集的腦MRI圖像分割框架[J];計算機科學;2014年09期

2 陳亮亮;;MRI大腦圖像灰質與白質的分割[J];北京生物醫(yī)學工程;2013年05期

本文編號：2775827