【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(guān)注的重點(diǎn)。隨著醫(yī)學(xué)成像技術(shù)的發(fā)展,磁共振成像技術(shù)(Magnetic Resonance Imaging,MRI)已經(jīng)成為診斷大腦狀況的一個(gè)重要手段。大腦圖像的分割在臨床醫(yī)學(xué)中對(duì)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(dǎo)意義,但是手動(dòng)分割大腦核磁共振圖像是一個(gè)非常耗時(shí)且繁瑣的任務(wù)。自動(dòng)、準(zhǔn)確地分割大腦MRI圖像已經(jīng)成為醫(yī)學(xué)輔助診斷與治療的重要話題。卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)是深度學(xué)習(xí)領(lǐng)域的一個(gè)重要組成部分,它通過優(yōu)化算法不斷優(yōu)化從數(shù)據(jù)集中學(xué)習(xí)到的數(shù)據(jù)分布,然后將該分布應(yīng)用于目標(biāo)數(shù)據(jù)來完成特定任務(wù),然而傳統(tǒng)的CNN并不能直接應(yīng)用于圖像的分割任務(wù)。全卷積神經(jīng)網(wǎng)絡(luò)(Fully Convolutional Network,FCN)實(shí)現(xiàn)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(jīng)網(wǎng)絡(luò)模型也無法避免在下采樣等網(wǎng)絡(luò)傳遞過程中細(xì)節(jié)特征的丟失,在上采樣時(shí)這些細(xì)節(jié)信息難以恢復(fù)。大腦組織紋理復(fù)雜,各組織分布分散,細(xì)節(jié)較多,卷積神經(jīng)網(wǎng)絡(luò)中細(xì)節(jié)信息的丟失會(huì)影響大腦組織的細(xì)節(jié)分割。為了克服全卷積神經(jīng)網(wǎng)絡(luò)在處理MRI圖像分割問題上的不足,本文設(shè)計(jì)了一種融合超體素與卷積神經(jīng)網(wǎng)絡(luò)的三維腦MRI圖像分割算法。經(jīng)典的Inception模塊能通過四個(gè)并行分支提供更為稠密的特征信息,這能有效彌補(bǔ)FCN中過多細(xì)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(zhì)性等特點(diǎn),能十分方便快速地提供邊界、細(xì)節(jié)信息,因此在三維空間上將超體素提供的細(xì)節(jié)信息與卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)到的局部、全局特征進(jìn)行融合,實(shí)現(xiàn)腦MRI圖像的有效分割。為了評(píng)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(shù)據(jù)集進(jìn)行實(shí)驗(yàn),并考察了超體素個(gè)數(shù)與算法中參數(shù)對(duì)算法性能的影響。算法性能的評(píng)估采用了Dice、Mean IU、AVD和Hausdorff距離四個(gè)指標(biāo)。大量的實(shí)驗(yàn)證明,該算法可以將腦MRI圖像有效地分割成腦脊液、灰質(zhì)和白質(zhì)和背景四個(gè)部分,相較于經(jīng)典算法有顯著優(yōu)勢(shì)。
【學(xué)位授予單位】：東南大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2018
【分類號(hào)】：R445.2;TP391.41;TP183
【圖文】：

種基于塊的卷積神經(jīng)網(wǎng)絡(luò)方法對(duì)腦 MRI 圖像進(jìn)行分割，該方法首先將圖像中的像素點(diǎn)分到具有一些公共像素點(diǎn)的塊中，然后將這些塊作為訓(xùn)練集進(jìn)行訓(xùn)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(gòu)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(xué)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(duì)于特定的圖像都有較好的分割效果。腦 MRI 圖像的自動(dòng)分割仍然是一個(gè)研究的重點(diǎn)。1.3論文研究?jī)?nèi)容及意義磁共振圖像具有高對(duì)比度、高分辨率以及多角度等特點(diǎn)，其對(duì)于大腦的分析比較有效。目前，腦 MRI 圖像已經(jīng)廣泛應(yīng)用于大腦的疾病診斷和治療、認(rèn)知科學(xué)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(chǔ)。大腦組織包括腦脊液、灰質(zhì)和白質(zhì)等部分，本文的目的是實(shí)現(xiàn)對(duì)大腦組織有效的自動(dòng)分割。但是腦 MRI 圖像本身會(huì)受噪聲、灰度不均等影響，而且大腦的組織結(jié)構(gòu)紋理較為復(fù)雜，白質(zhì)、灰質(zhì)及腦脊液組織分布分散，這些使得自動(dòng)準(zhǔn)確的分割腦 MRI 圖像仍較為困難。圖 1-1 展示了一個(gè)腦 MRI 圖像的三個(gè)剖面。

卷積神經(jīng)網(wǎng)絡(luò)是深度學(xué)習(xí)中的一個(gè)重要組成部分。20 世紀(jì) 90 年代，LeCun[44]等了 CNN 的現(xiàn)代結(jié)構(gòu)，設(shè)計(jì)了 LeNet-5 網(wǎng)絡(luò)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(xué)習(xí)到圖像分布。然而，當(dāng)時(shí)計(jì)算機(jī)的計(jì)算能力有限，以大規(guī)模的訓(xùn)練數(shù)據(jù)，使得 LeNet-5 對(duì)于復(fù)雜問題的處理結(jié)果并不理想。直到 20Hinton 提出了深度學(xué)習(xí)，并首次成功應(yīng)用于分類 ImageNet 數(shù)據(jù)集，從而使得深神經(jīng)網(wǎng)絡(luò)取得了突破性的進(jìn)展。近年來，深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)在圖像處理和模等領(lǐng)域都取得了較好的成果。2015 年 Long[45]等人提出全卷積神經(jīng)網(wǎng)絡(luò)模型應(yīng)用分割，開辟了圖像分割領(lǐng)域的新方向。卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中一般包含一些基本層積層、激活層、池化層等。卷積神經(jīng)網(wǎng)絡(luò)基本組成1 卷積層傳統(tǒng)的全連接網(wǎng)絡(luò)中，每個(gè)節(jié)點(diǎn)會(huì)連接上一層的所有節(jié)點(diǎn)，這種方式會(huì)導(dǎo)致參數(shù)模型訓(xùn)練困難，另外容易產(chǎn)生過擬合現(xiàn)象。而卷積神經(jīng)網(wǎng)絡(luò)中，卷積層實(shí)現(xiàn)的是接，這能有效降低模型的參數(shù)量。如圖 2-1 所示，左側(cè)為局部連接，右側(cè)為全連接

第二章 卷積神經(jīng)網(wǎng)絡(luò)理論 )/ + 1， = 。圖 2-2 展示了圖像大小為 4×4，卷積核大小為 0時(shí)的卷積過程。通過卷積核尺寸、步長(zhǎng) 和零填充 可以控制卷積例如卷積核大小設(shè)為 3， 設(shè)為 1，步長(zhǎng)設(shè)為 1，則特征圖像經(jīng)過卷不變。如果卷積核大小設(shè)為 2， 設(shè)為 0，步長(zhǎng)設(shè)為 2，則特征圖像現(xiàn)降采樣的效果。

【參考文獻(xiàn)】

相關(guān)期刊論文 前2條

1 朱曉舒;孫權(quán)森;夏德深;孫懷江;;基于MultiLayer水平集的腦MRI圖像分割框架[J];計(jì)算機(jī)科學(xué);2014年09期

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

本文編號(hào)：2775827