發(fā)布時(shí)間：2021-04-22 19:05

　　隨著社會(huì)人口老齡化的加劇,以阿爾茨海默癥為代表的神經(jīng)退行性疾病嚴(yán)重影響了老年人群的生命健康及生活精神。阿爾茨海默癥、輕度認(rèn)知障礙、顳葉癲癇的出現(xiàn)往往伴隨著患者海馬體體積的萎縮。因而分析海馬體體積是診斷和研究這些疾病的關(guān)鍵,而分析海馬體的首要條件則是將其從磁共振圖像中分割出來。由于海馬體具有形狀不規(guī)則、體積小、邊緣模糊等特點(diǎn),一般的分割方法往往難以獲得滿意的分割效果�；谏疃葘W(xué)習(xí)理論和技術(shù),本文提出了結(jié)合序列學(xué)習(xí)和U型網(wǎng)絡(luò)的海馬體分割方法以及二階段海馬體分割方法。結(jié)合序列學(xué)習(xí)和U型網(wǎng)絡(luò)的海馬體分割方法利用序列學(xué)習(xí)將圖像序列間的依賴信息引入二維語義分割網(wǎng)絡(luò)中,以充分利用圖像的三維上下文。此外,針對(duì)任務(wù)中可能存在的樣本平衡問題,本方法通過在網(wǎng)絡(luò)訓(xùn)練階段加入類別權(quán)重參數(shù)的方式來進(jìn)行改善。在ADNI數(shù)據(jù)集上的實(shí)驗(yàn)驗(yàn)證了方法的性能和穩(wěn)定性。與普通U型網(wǎng)絡(luò)的對(duì)比實(shí)驗(yàn)驗(yàn)證了引入序列學(xué)習(xí)結(jié)構(gòu)的有效性,而網(wǎng)絡(luò)可視化技術(shù)則驗(yàn)證了網(wǎng)絡(luò)學(xué)習(xí)的合理性。基于深度學(xué)習(xí)的二階段海馬體分割方法包括定位階段和分割階段,每個(gè)階段包含兩個(gè)步驟。在定位階段,利用一個(gè)訓(xùn)練好的二分類網(wǎng)絡(luò)篩選出包含海馬的切片。然后根據(jù)篩選出的切片生成... 

【文章來源】：浙江工業(yè)大學(xué)浙江省

【文章頁數(shù)】：68 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
符號(hào)說明
第一章 緒論
    1.1 引言
    1.2 人腦中的海馬體
    1.3 海馬體與人類疾病
        1.3.1 阿爾茨海默癥
        1.3.2 輕度認(rèn)知障礙
        1.3.3 顳葉癲癇
    1.4 腦部海馬體磁共振成像
    1.5 論文研究內(nèi)容和章節(jié)安排
    1.6 小結(jié)
第二章 海馬體分割方法的進(jìn)展
    2.1 引言
    2.2 基于可變模型的分割方法
    2.3 基于圖譜配準(zhǔn)的分割方法
        2.3.1 單圖譜分割法
        2.3.2 多圖譜分割法
    2.4 基于監(jiān)督學(xué)習(xí)的分割方法
        2.4.1 區(qū)域模型
        2.4.2 全域模型
        2.4.3 深度學(xué)習(xí)
    2.5 小結(jié)
第三章 深度學(xué)習(xí)理論及技術(shù)
    3.1 引言
    3.2 深度學(xué)習(xí)簡述
    3.3 卷積神經(jīng)網(wǎng)絡(luò)
        3.3.1 卷積層
        3.3.2 激活層
        3.3.3 池化層
        3.3.4 批歸一化層
    3.4 全卷積網(wǎng)絡(luò)
        3.4.1 轉(zhuǎn)置卷積
        3.4.2 跳躍連接
        3.4.3 全卷積神經(jīng)網(wǎng)絡(luò)在醫(yī)學(xué)圖像分割上的應(yīng)用
    3.5 循環(huán)神經(jīng)網(wǎng)絡(luò)
        3.5.1 簡單循環(huán)神經(jīng)網(wǎng)絡(luò)
        3.5.2 長短期記憶網(wǎng)絡(luò)
    3.6 小結(jié)
第四章 結(jié)合序列學(xué)習(xí)和U型網(wǎng)絡(luò)的海馬體分割方法
    4.1 引言
    4.2 具體方法
        4.2.1 方法總覽
        4.2.2 雙向卷積LSTM
        4.2.3 網(wǎng)絡(luò)結(jié)構(gòu)
        4.2.4 損失函數(shù)
        4.2.5 類別權(quán)重參數(shù)
    4.3 數(shù)據(jù)集
    4.4 網(wǎng)絡(luò)訓(xùn)練策略
    4.5 實(shí)驗(yàn)結(jié)果分析
        4.5.1 十折交叉驗(yàn)證評(píng)估
        4.5.2 與普通U型網(wǎng)絡(luò)的對(duì)比實(shí)驗(yàn)
        4.5.3 網(wǎng)絡(luò)可視化
    4.6 小結(jié)
第五章 基于深度學(xué)習(xí)的二階段海馬體分割方法
    5.1 引言
    5.2 具體方法
        5.2.1 方法總覽
        5.2.2 網(wǎng)絡(luò)介紹
        5.2.3 定位階段
        5.2.4 分割階段
    5.3 數(shù)據(jù)集
    5.4 定位階段評(píng)估
        5.4.1 SOI篩選評(píng)估
        5.4.2 候選區(qū)域生成評(píng)估
    5.5 分割階段評(píng)估
        5.5.1 精分割評(píng)估
        5.5.2 平面融合分析
        5.5.3 多視角決策評(píng)估
    5.6 小結(jié)
第六章 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
參考文獻(xiàn)
致謝
作者簡介
    1 作者簡歷
    2 攻讀碩士學(xué)位期間發(fā)表的學(xué)術(shù)論文
    3 參與的科研項(xiàng)目及獲獎(jiǎng)情況
    4 發(fā)明專利
學(xué)位論文數(shù)據(jù)集


【參考文獻(xiàn)】：
期刊論文
[1]結(jié)合序列學(xué)習(xí)和U型網(wǎng)絡(luò)的海馬體分割方法[J]. 曹平,盛邱煬,潘清,寧鋼民,汪振杰,方路平.  計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào). 2019(08)
[2]基于稀疏編碼與方向-尺度描述子的海馬體自動(dòng)分割[J]. 劉穎,張明慧,陽維,盧振泰,馮前進(jìn),蘇榆生.  計(jì)算機(jī)科學(xué). 2017(01)
[3]基于多圖譜活動(dòng)輪廓模型的腦部圖像分割[J]. 張明慧,盧振泰,張娟,陽維,陳武凡,張煜.  計(jì)算機(jī)學(xué)報(bào). 2016(07)
[4]基于MRI的人腦海馬結(jié)構(gòu)的形態(tài)測(cè)量[J]. 劉智華,錢學(xué)華,周庭永,呂發(fā)金,鄭登儒,李林宏,白桂芹,張華.  第三軍醫(yī)大學(xué)學(xué)報(bào). 2012(16)



本文編號(hào)：3154304