根據(jù)世界衛(wèi)生組織報(bào)道,心血管疾病(Cardiovascular Diseases,CVDs)成為了威脅人類健康的主要疾病之一。針對心血管疾病的提前診斷與治療成為了全球的研究熱點(diǎn)問題。由于心臟MR圖像具有無創(chuàng)性、對比度高等優(yōu)點(diǎn),因此被廣泛應(yīng)用于心血管疾病的早期診斷與治療中。臨床醫(yī)生依據(jù)心臟MR圖像分割結(jié)果可以獲取重要的心臟功能參數(shù)。然而在現(xiàn)實(shí)醫(yī)療中,分割通常由有經(jīng)驗(yàn)的醫(yī)生手動完成的。手動分割不僅耗時(shí)耗力而且具有很大的主觀性,所以高效準(zhǔn)確的心臟MR圖像自動分割方法的研究具有重要意義。本文以心臟短軸核磁共振圖像為基礎(chǔ),在分析了傳統(tǒng)算法用于心臟MR圖像分割局限性的基礎(chǔ)上,分別提出了兩種基于深度學(xué)習(xí)的改進(jìn)方法。主要工作展開如下:1、在傳統(tǒng)圖像分割算法中,依次使用閾值分割算法,區(qū)域生長算法,K-means聚類算法,完成心臟MR圖像的分割任務(wù)。根據(jù)實(shí)驗(yàn)結(jié)果分析了傳統(tǒng)算法在心臟MR圖像分割任務(wù)上的局限性,傳統(tǒng)分割方法在心臟MR圖像分割時(shí)容易出現(xiàn)過分割、欠分割現(xiàn)象,而且分割結(jié)果準(zhǔn)確性較低。2、基于深度學(xué)習(xí)U-Net網(wǎng)絡(luò),本文提出了一種改進(jìn)的自動分割左心室內(nèi)膜和外膜的網(wǎng)絡(luò)框架,該框架使用與U-Net類似的全卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),能夠自動的從心臟MR圖像中分割出左心室內(nèi)膜和外膜。為了克服類的不平衡問題,本文提出了一個(gè)改進(jìn)的損失函數(shù),來替代傳統(tǒng)的交叉熵?fù)p失函數(shù),傳統(tǒng)的損失函數(shù)容易導(dǎo)致模型出現(xiàn)學(xué)習(xí)偏差。改進(jìn)的損失函數(shù)在提高了模型的整體精度地同時(shí)也減小了交叉熵造成的學(xué)習(xí)偏差。改進(jìn)的方法與傳統(tǒng)的方法相比,獲得了很好的分割精度。3、在心臟MR圖像分割任務(wù)中,本文以Dense U-Net作為基礎(chǔ)網(wǎng)絡(luò)結(jié)構(gòu)。為了減少網(wǎng)絡(luò)參數(shù)計(jì)算和內(nèi)存占用并且不影響輸出的分割質(zhì)量,本文改變了Dense U-Net網(wǎng)絡(luò)中的跳層結(jié)構(gòu),從下采樣路徑到上采樣路徑的跳躍連接采用元素級加法操作替代直接的特征拼接,并通過投影操作匹配特征通道的維度。在Dense U-Net上采樣路徑中,通過引入殘差網(wǎng)絡(luò)的短路連接方式來更好地利用淺層網(wǎng)絡(luò)中的信息。除此以外,在網(wǎng)絡(luò)的初始層加入修正的Inception結(jié)構(gòu)來替代3×3的卷積操作擴(kuò)大了模型的感受野。最后,形成了改進(jìn)的網(wǎng)絡(luò)。通過實(shí)驗(yàn)對比分析發(fā)現(xiàn),改進(jìn)的網(wǎng)絡(luò)提高了分割精度,并在Dice指數(shù)和APD兩個(gè)指標(biāo)上達(dá)到了良好效果。
【學(xué)位單位】：蘭州理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2020
【中圖分類】：TP18;TP391.41;R445.2;R54
【部分圖文】：

基于深度學(xué)習(xí)的心臟核磁共振圖像分割方法的研究(a)人體心臟解剖結(jié)構(gòu)示意圖(b)人體心臟解剖結(jié)構(gòu)示意圖圖2.1心臟相關(guān)知識圖2.2從心基到心尖的12張CMR切片2.2深度學(xué)習(xí)與圖像處理2.2.1深度學(xué)習(xí)在圖像處理中的發(fā)展近年來人工智能成為了研究的熱點(diǎn)，而深度學(xué)習(xí)便是通向人工智能的途徑之一。如圖2.3所示為深度學(xué)習(xí)與各學(xué)科之間的包含關(guān)系圖。人工智能的范疇十分寬廣，它包含了機(jī)器學(xué)習(xí)、表示學(xué)習(xí)和深度學(xué)習(xí)。而深度學(xué)習(xí)屬于機(jī)器學(xué)習(xí)的一種，深度學(xué)習(xí)具有強(qiáng)大的表示能力和靈活性，它能夠從一般抽象概括到高級抽象，從簡單概念之間的聯(lián)系定義復(fù)雜的概念。深度學(xué)習(xí)的歷史可以追溯到20世紀(jì)40年代。到如今，深度學(xué)習(xí)經(jīng)歷了三次發(fā)展。第一次發(fā)展始于20世紀(jì)40年代到60年代，當(dāng)時(shí)控制論中出現(xiàn)了深度學(xué)習(xí)的雛形。隨著生物學(xué)習(xí)理論的發(fā)展和第一個(gè)模型感知機(jī)的出現(xiàn)，單個(gè)神經(jīng)元的訓(xùn)練得以實(shí)現(xiàn)。深度學(xué)習(xí)的第二次發(fā)展始于20世紀(jì)80年代的聯(lián)結(jié)主義方法，可以使用反向傳播算法訓(xùn)練具有少數(shù)隱藏層的神經(jīng)網(wǎng)絡(luò)。當(dāng)前正處于深度學(xué)習(xí)的第三次發(fā)展浪潮，2006年一種名為“深度信念網(wǎng)絡(luò)”的神經(jīng)網(wǎng)絡(luò)可以使用“貪婪逐層預(yù)訓(xùn)練”的策略有效的訓(xùn)練神經(jīng)網(wǎng)絡(luò)。后又有學(xué)者表明，同樣的策略可以被用于訓(xùn)練許多其它類型的深度網(wǎng)絡(luò)，并能夠提高網(wǎng)絡(luò)在測試樣例上的泛化能力。8

基于深度學(xué)習(xí)的心臟核磁共振圖像分割方法的研究(a)人體心臟解剖結(jié)構(gòu)示意圖(b)人體心臟解剖結(jié)構(gòu)示意圖圖2.1心臟相關(guān)知識圖2.2從心基到心尖的12張CMR切片2.2深度學(xué)習(xí)與圖像處理2.2.1深度學(xué)習(xí)在圖像處理中的發(fā)展近年來人工智能成為了研究的熱點(diǎn)，而深度學(xué)習(xí)便是通向人工智能的途徑之一。如圖2.3所示為深度學(xué)習(xí)與各學(xué)科之間的包含關(guān)系圖。人工智能的范疇十分寬廣，它包含了機(jī)器學(xué)習(xí)、表示學(xué)習(xí)和深度學(xué)習(xí)。而深度學(xué)習(xí)屬于機(jī)器學(xué)習(xí)的一種，深度學(xué)習(xí)具有強(qiáng)大的表示能力和靈活性，它能夠從一般抽象概括到高級抽象，從簡單概念之間的聯(lián)系定義復(fù)雜的概念。深度學(xué)習(xí)的歷史可以追溯到20世紀(jì)40年代。到如今，深度學(xué)習(xí)經(jīng)歷了三次發(fā)展。第一次發(fā)展始于20世紀(jì)40年代到60年代，當(dāng)時(shí)控制論中出現(xiàn)了深度學(xué)習(xí)的雛形。隨著生物學(xué)習(xí)理論的發(fā)展和第一個(gè)模型感知機(jī)的出現(xiàn)，單個(gè)神經(jīng)元的訓(xùn)練得以實(shí)現(xiàn)。深度學(xué)習(xí)的第二次發(fā)展始于20世紀(jì)80年代的聯(lián)結(jié)主義方法，可以使用反向傳播算法訓(xùn)練具有少數(shù)隱藏層的神經(jīng)網(wǎng)絡(luò)。當(dāng)前正處于深度學(xué)習(xí)的第三次發(fā)展浪潮，2006年一種名為“深度信念網(wǎng)絡(luò)”的神經(jīng)網(wǎng)絡(luò)可以使用“貪婪逐層預(yù)訓(xùn)練”的策略有效的訓(xùn)練神經(jīng)網(wǎng)絡(luò)。后又有學(xué)者表明，同樣的策略可以被用于訓(xùn)練許多其它類型的深度網(wǎng)絡(luò)，并能夠提高網(wǎng)絡(luò)在測試樣例上的泛化能力。8

基于深度學(xué)習(xí)的心臟核磁共振圖像分割方法的研究性可分問題。但是感知機(jī)的學(xué)習(xí)能力是非常有限的，比如感知機(jī)不能解決像異或這樣的非線性可分問題，而現(xiàn)實(shí)中問題大多都是非線性可分的。因此，要想解決非線性可分問題，則需要考慮使用更加復(fù)雜的多層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。圖2.5多層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖如圖2.5所示為多層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖，網(wǎng)絡(luò)由輸入層，隱層和輸出層組成。相鄰網(wǎng)絡(luò)層中的神經(jīng)元之間采用密集連接方式，同層的神經(jīng)元之間不連接，不同網(wǎng)絡(luò)層之間不存在跨越連接，通常將這樣的網(wǎng)絡(luò)稱為“多層前饋神經(jīng)網(wǎng)絡(luò)”。多層網(wǎng)絡(luò)的計(jì)算如公式(2-2)所示（忽略偏置）。()(1)(2)(1)...LLLkkllmklilmlyfWfWffWx=∑∑∑(2-2)傳統(tǒng)多層神經(jīng)網(wǎng)絡(luò)的輸入是一維矢量形式，而在實(shí)際任務(wù)中數(shù)據(jù)往往是二維或者多維的形式，例如數(shù)字圖像就可以被看作是由像素構(gòu)成的二維網(wǎng)格狀數(shù)據(jù)。雖然二維數(shù)據(jù)可以轉(zhuǎn)換為一維數(shù)據(jù)后再輸入到神經(jīng)網(wǎng)絡(luò)中，但是數(shù)據(jù)的轉(zhuǎn)換過程通常會破壞像素之間重要的空間結(jié)構(gòu)信息。為了解決以上問題，另一種網(wǎng)絡(luò)結(jié)構(gòu)-卷積神經(jīng)網(wǎng)絡(luò)被提出。2.2.3卷積神經(jīng)網(wǎng)絡(luò)的在圖像處理中的應(yīng)用卷積神經(jīng)網(wǎng)絡(luò)也叫做卷積網(wǎng)絡(luò)，它非常適用于處理具有類似網(wǎng)格狀結(jié)構(gòu)的數(shù)據(jù)，如圖像和時(shí)間序列等。卷積網(wǎng)絡(luò)中使用了卷積這種數(shù)學(xué)運(yùn)算來替代矩陣乘法運(yùn)算，卷積是一種特殊的線性運(yùn)算。卷積神經(jīng)網(wǎng)絡(luò)在圖像處理領(lǐng)域得到了非常廣泛的應(yīng)用。其基本組成結(jié)構(gòu)有卷積層，池化層和全連接層。經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)是由YannLeCun教授在1989年提出LeNet[53]，如圖2.6所示，該網(wǎng)絡(luò)結(jié)構(gòu)也是最早出現(xiàn)的卷積神經(jīng)網(wǎng)絡(luò)。圖2.6LeNet網(wǎng)絡(luò)結(jié)構(gòu)LetNet由7層網(wǎng)絡(luò)組成(不包括輸入層)，包括3個(gè)卷積層，2個(gè)下采樣層，1個(gè)全連10
【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 乜大偉;;心臟核磁共振圖像中左心室的分割算法研究[J];硅谷;2012年13期

2 尤建潔;王平安;夏德深;;利用紋理信息的帶標(biāo)記線心臟核磁共振圖像分割[J];中國圖象圖形學(xué)報(bào);2007年09期

3 魏蕊;董秀珍;;兒童腦部三維核磁共振圖像的分割[J];醫(yī)療衛(wèi)生裝備;2009年01期

4 郭姿鷸;;一種優(yōu)化的核磁共振圖像重建方法[J];電腦知識與技術(shù);2020年04期

5 李奇;;英國華人腦部寄生蟲潛伏4年[J];科學(xué)大觀園;2015年02期

6 劉兆;沈輝;高政;胡德文;;一種基于區(qū)域相關(guān)性的三維核磁共振圖像快速分割方法[J];計(jì)算機(jī)工程與科學(xué);2008年07期

7 欒永萬;;核磁共振圖像的質(zhì)量[J];中國醫(yī)療器械雜志;1988年06期

8 黃欽欽;;稀疏編碼在靜息態(tài)核磁共振圖像中的應(yīng)用[J];信息化研究;2012年02期

9 黃敏;管智慧;周到;陳軍波;;基于K空間數(shù)據(jù)的深度核磁共振圖像重建[J];生物醫(yī)學(xué)工程研究;2020年02期

10 劉利雄;馬忠梅;趙恒博;姚宇華;張麒;;一種基于主動輪廓模型的心臟核磁共振圖像分割方法[J];計(jì)算機(jī)學(xué)報(bào);2012年01期

相關(guān)博士學(xué)位論文 前10條

1 尤建潔;基于心臟核磁共振圖像的左心室分割及動力學(xué)模型研究[D];南京理工大學(xué);2007年

2 徐征;心臟狀態(tài)信息多參數(shù)研究[D];浙江大學(xué);2001年

3 張力鋒;跳動心臟的計(jì)算機(jī)仿真及其分布式軟件架構(gòu)的設(shè)計(jì)[D];浙江大學(xué);2001年

4 馬宏;熱休克因子1參與粒細(xì)胞集落刺激因子對心臟缺血再灌注保護(hù)作用的機(jī)制研究[D];復(fù)旦大學(xué);2010年

5 宋鵬;一、不同心臟狀態(tài)下心梗邊緣區(qū)注射骨髓間充質(zhì)干細(xì)胞的比較 二、體外循環(huán)和停跳的心臟狀態(tài)對于經(jīng)冠狀動脈內(nèi)移植骨髓間充質(zhì)干細(xì)胞的影響[D];中國協(xié)和醫(yī)科大學(xué);2008年

6 鄧冬東;虛擬心臟正常電生理的仿真及房顫的研究[D];浙江大學(xué);2012年

7 張宇;虛擬心臟解剖及電生理數(shù)學(xué)建模[D];浙江大學(xué);2009年

8 朱文忠;離體鼠工作心臟灌注模型中腺苷對缺血再灌注心臟能量底物代謝的影響[D];第二軍醫(yī)大學(xué);2001年

9 段先華;核磁共振圖像分割與運(yùn)動分析若干技術(shù)研究[D];南京理工大學(xué);2005年

10 張宇禎;心臟細(xì)胞療法：致瘤性評估與旁分泌機(jī)制探索[D];南京醫(yī)科大學(xué);2012年

相關(guān)碩士學(xué)位論文 前10條

1 劉祥遠(yuǎn);基于深度學(xué)習(xí)的心臟核磁共振圖像分割方法的研究[D];蘭州理工大學(xué);2020年

2 趙恒博;基于主動輪廓模型的心臟核磁共振圖像左心室分割方法研究[D];北京理工大學(xué);2011年

3 王小杰;基于圖割算法的心臟核磁共振圖像分割[D];北京理工大學(xué);2010年

4 郝世杰;脊椎核磁共振圖像分割與定量分析及其三維可視化研究[D];合肥工業(yè)大學(xué);2009年

5 魏蕊;兒童腦部三維核磁共振圖像的分割[D];第四軍醫(yī)大學(xué);2009年

6 阮思純;人腦核磁共振圖像的快速分割及校正模型研究[D];哈爾濱工業(yè)大學(xué);2018年

7 尹航;基于深度學(xué)習(xí)的心室核磁共振圖像分割研究與應(yīng)用[D];蘭州大學(xué);2019年

8 李帥;脊柱核磁共振圖像的分割算法研究與實(shí)現(xiàn)[D];武漢理工大學(xué);2017年

9 張紅雨;基于壓縮感知理論的核磁共振圖像重建算法研究[D];天津大學(xué);2017年

10 奚昌鳳;基于稀疏與低秩的動態(tài)核磁共振圖像重建[D];中國科學(xué)技術(shù)大學(xué);2017年

本文編號：2863408