核磁共振成像（MRI）是一種被廣泛使用的醫(yī)學(xué)成像技術(shù),它能夠以非侵入方式獲取生物體內(nèi)部組織、器官的結(jié)構(gòu)信息,為醫(yī)生進行疾病診斷和治療提供了極大的參考價值。醫(yī)學(xué)圖像分割技術(shù)則能夠快速提取到原始數(shù)據(jù)中的特定區(qū)域,大大提升了醫(yī)生的工作效率。過去通常使用傳統(tǒng)的圖像處理和機器學(xué)習(xí)方法對醫(yī)學(xué)圖像進行分割,但是這些方法往往是基于圖像的淺層特征進行分析的,因此其處理能力非常有限。近年來,以深度學(xué)習(xí)為代表的人工智能技術(shù)得到了很大的發(fā)展,并在許多領(lǐng)域取得了革命性的成果。相比于傳統(tǒng)方法,深度學(xué)習(xí)網(wǎng)絡(luò)更有利于提取到數(shù)據(jù)的深層抽象特征,而且端到端的學(xué)習(xí)方式使得深度網(wǎng)絡(luò)可以直接處理原始數(shù)據(jù),真正實現(xiàn)數(shù)據(jù)驅(qū)動。因此,研究并設(shè)計用于醫(yī)學(xué)圖像分割的深度網(wǎng)絡(luò)具有重要意義。本文采用了PROMISE12數(shù)據(jù)集,將前列腺MRI分割作為論文所述方法的典型應(yīng)用,但是該方法并不局限于此數(shù)據(jù)集。針對MRI分割任務(wù),本文研究了二維和三維全卷積網(wǎng)絡(luò)的結(jié)構(gòu),包括二維網(wǎng)絡(luò)到三維網(wǎng)絡(luò)的轉(zhuǎn)換。對于二維全卷積網(wǎng)絡(luò),本文首先分析了目前領(lǐng)先的U-Net深度學(xué)習(xí)模型。通過引入殘差結(jié)構(gòu)、致密網(wǎng)絡(luò)等當(dāng)前最新思想,提出了幾點改進,使用改進后的網(wǎng)絡(luò)與原始U-Ne... 

【文章來源】：杭州電子科技大學(xué)浙江省

【文章頁數(shù)】：78 頁

【學(xué)位級別】：碩士

【部分圖文】：

本文內(nèi)容結(jié)構(gòu)

圖 2.3 手寫字符[12]一組來自 MNIST 數(shù)據(jù)集的手寫字符。在第象特征就是人眼觀察到的一串?dāng)?shù)字，即“3 6 。但是在計算機看來，首先看到的是各個像素淺層的特征，逐層提取特征后可以看到邊緣特表的數(shù)字。顯而易見，計算機進行特征提取時層的過程。統(tǒng)的機器學(xué)習(xí)和模式識別方法，例如支持向SVM）、多層感知機、最大熵、高斯混合模型ndom Field，CRF）等都屬于淺層學(xué)習(xí)結(jié)構(gòu)。線性特征變換，可以看作是僅有一兩層隱含層往只能學(xué)習(xí)到局部特征。雖然淺層學(xué)習(xí)在一些，但是對于復(fù)雜問題例如語音識別、圖像識別以取得較好的效果。構(gòu)上使用多層隱含層，當(dāng)前的特征提取器是

圖 2.4 限制玻爾茲曼機，Hinton 采用了無監(jiān)督的方式進行預(yù)訓(xùn)練行學(xué)習(xí)，逐層訓(xùn)練 RBM。前一個 RBM 訓(xùn)數(shù)，然后把這個 RBM 的輸出作為當(dāng)前 RB個 RBM。當(dāng) DBN 用于分類任務(wù)時，可以在tmax，然后把前面預(yù)訓(xùn)練得到的參數(shù)去初始差向后傳播對網(wǎng)絡(luò)進行整體的微調(diào)。inton 使用了分層預(yù)訓(xùn)練和微調(diào)解決了深度，DBN 使用的是無監(jiān)督學(xué)習(xí)的方式，而微碼器是去噪自動編碼器[41]（DenoisingAutoenco基礎(chǔ)組件。如圖 2.5 所示是 DA 的網(wǎng)絡(luò)結(jié)構(gòu)輸入層與輸出層擁有的神經(jīng)元數(shù)量相同。

【參考文獻】：
期刊論文
[1]高斯混合模型改進的活動輪廓模型MRI分割[J]. 張建偉,夏德深.  計算機輔助設(shè)計與圖形學(xué)學(xué)報. 2005(12)



本文編號：3421721