乳腺癌對(duì)于女性是致死率較高的疾病之一,早發(fā)現(xiàn)早治療是治愈乳腺癌的關(guān)鍵。超聲成像技術(shù)因其無創(chuàng)傷、價(jià)格低廉、操作簡(jiǎn)便等優(yōu)勢(shì),已經(jīng)成為乳腺癌早期輔助診斷的主要工具之一。超聲圖像中的腫瘤分割對(duì)于乳腺癌的早期診斷具有重要意義。然而,乳腺超聲圖像存在灰度不同質(zhì)性問題,這會(huì)嚴(yán)重影響算法的分割精度。為了解決該問題,本文研究了一種標(biāo)簽分布嵌入的活動(dòng)輪廓分割模型:首先,在encoder-decoder網(wǎng)絡(luò)框架下,構(gòu)建了一種深度標(biāo)簽分布學(xué)習(xí)模型,用于學(xué)習(xí)每個(gè)像素的標(biāo)簽分布;然后,構(gòu)建一個(gè)新的活動(dòng)輪廓能量函數(shù),即在傳統(tǒng)的活動(dòng)輪廓框架下引入一個(gè)新的標(biāo)簽分布擬合能量項(xiàng);最后,通過優(yōu)化構(gòu)建的能量函數(shù)實(shí)現(xiàn)對(duì)腫瘤的分割。本文提出的基于標(biāo)簽分布嵌入的活動(dòng)輪廓模型具有如下兩方面的特性:1、深度標(biāo)簽分布學(xué)習(xí)模型能夠獲得標(biāo)簽分布圖,其與灰度變化無關(guān),對(duì)灰度不同質(zhì)性具有一定的魯棒性;2、標(biāo)簽分布擬合能量項(xiàng)能夠?qū)?biāo)簽分布圖的信息嵌入到活動(dòng)輪廓中,從而使得結(jié)果與標(biāo)簽分布圖保持一致、分割結(jié)果受灰度不同質(zhì)性影響較小,有利于提高分割精度。為驗(yàn)證本文方法的性能,在包含135例良性和51例惡性病例的的乳腺圖像標(biāo)注數(shù)據(jù)集合上進(jìn)行了較為系統(tǒng)的實(shí)驗(yàn)... 

【文章來源】：山東大學(xué)山東省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：50 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖１－２乳腺超聲圖像示例??

?山東大學(xué)碩士學(xué)位論文???０．０５｜＿＿?－?—?■?—１?１?１?｜?Ｉ??—ｔｕｍｏｒ??０．０４５?一＊＂ｂａｃｋｇｒｏｕｎｄ??０．０４?－??０．０３５?－??０．０３?－??０．０２５?－??０．０２?－??０．０１５?－??：：＾??０ｘｒ＾?—?????０?５０?１００?１５０?２００?２５０??圖１－３在乳腺超聲圖像上腫瘤與背景的灰度分布情況??１．６本文的主要工作??本文研究了一種標(biāo)簽分布嵌入的活動(dòng)輪廓模型。首先構(gòu)建一個(gè)基于??ｅｎｃｏｄｅｒ－ｄｅｃｏｄｅｒ的深度標(biāo)簽分布學(xué)習(xí)模型，其能學(xué)習(xí)到圖像中每個(gè)像素的標(biāo)簽??分布圖，獲得的標(biāo)簽分布圖與灰度變化無關(guān)，對(duì)灰度不同質(zhì)性具有一定的魯棒??性。然后提出了標(biāo)簽分布嵌入的活動(dòng)輪廓模型。為了將標(biāo)簽分布圖的信息嵌入??到活動(dòng)輪廓模型中，在活動(dòng)輪廓模型的能量函數(shù)中引入一個(gè)新的標(biāo)簽分布擬合??能量項(xiàng)。該項(xiàng)能迫使分割結(jié)果與之前所學(xué)到的標(biāo)簽分布圖盡量保持一致，因而??能使得獲得的分割模型對(duì)灰度不同質(zhì)性魯棒。最后，通過優(yōu)化新建的能量函數(shù)??完成對(duì)腫瘤的分割。為了證明提出方法的有效性，在自建的乳腺超聲數(shù)據(jù)集上??（１３５例良性和５１例惡性）進(jìn)行了實(shí)驗(yàn)。所提出的方法的ＡＣＣ、ＪＡＣＣＡＲＤ、??ＴＰ和ＦＰ值分別是０．９９０８，?０．８９１７，?０．６２７３，?０．０３４，優(yōu)于傳統(tǒng)的方法。實(shí)驗(yàn)結(jié)??果還證明了本方法對(duì)于灰度不同質(zhì)性更為魯棒。??１．７論文的組織結(jié)構(gòu)??第２章，主要介紹了標(biāo)簽分布學(xué)習(xí)的含義，形式化定義，旨在全面說明標(biāo)簽??分布學(xué)習(xí)的意義以便接下來在對(duì)標(biāo)簽分布圖能有更加深刻的理解。介紹水平集方??法以

?山東大學(xué)碩士學(xué)位論文???程度。在不失一般性情況下，假設(shè)進(jìn)一步假設(shè)標(biāo)簽集合是完整的，也??就是說使用標(biāo)簽集合中的所有標(biāo)記才能夠完整地描述實(shí)例Ｘ。形式上可表述為??數(shù)值＃被視作標(biāo)記ｙ對(duì)于實(shí)例ｘ的描述度。對(duì)一個(gè)特定的實(shí)例，標(biāo)記集??合中所有標(biāo)記的描述度構(gòu)建了一個(gè)類似于概率分布的數(shù)據(jù)形式。所以，這種數(shù)據(jù)??形式被稱為標(biāo)記分布。學(xué)習(xí)一個(gè)實(shí)例的標(biāo)簽分布的過程就被稱為標(biāo)簽分布學(xué)習(xí)。??相比較傳統(tǒng)的單標(biāo)簽學(xué)習(xí)和多標(biāo)簽學(xué)習(xí)，標(biāo)簽分布學(xué)習(xí)在學(xué)習(xí)過程中能夠提??供更大的自由度，從而獲取更多的和類別相關(guān)的有效信息，提升模型性能［３９］。??首先，標(biāo)簽ｙ對(duì)實(shí)例Ｘ的描述度ｄ（可以通過條件概率的形式來表示，即??Ｍ?＝戶〇；｜１）。然后標(biāo)簽分布學(xué)習(xí)的問題可以按一下方式進(jìn)行形式化的定義［３９］：??用Ｘ?＝儼來定義輸入空間，Ｙ?＝?｛ｙｉ，ｙ２，．．．，ｙ」表示完整的標(biāo)簽集合。給定一??個(gè)訓(xùn)練集合３?＝辦１，／）１）辦２，／）２），．－，（＼，，乃？）｝，其中＼６尤是一個(gè)實(shí)例，??Ｄ，?＝?ｋ１，＜，．．．，＜｝是與實(shí)例ｘ；關(guān)聯(lián)的標(biāo)簽分布，標(biāo)簽分布學(xué)習(xí)的目標(biāo)就是要??從訓(xùn)練集Ｓ中學(xué)習(xí)一個(gè)條件概率密度函數(shù)ｐ（；；?｜?ｘ），其中ｘ?ｅ?Ｉ，ｙ?ｅ?７。??２．３全卷積神經(jīng)網(wǎng)絡(luò)??“ｔａｂｂｙ?ｃａｔ”??ｉ，ｉ?，?１．１，??ｃｏｎｖｏｌｕｔｉｏｎａｌｉｚａｔｉｏｎ??ＥＨ?．??全卷積網(wǎng)結(jié)－ＦＣＮ?＃??圖２－２?ＦＣＮ基本架構(gòu)??２０１５年，Ｊｏｎａｔｈａｎ?Ｌｏｎｇ等人提出了全卷積神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)把卷積神經(jīng)網(wǎng)??絡(luò)中的全臉階層替換為１Ｘ１卷積層，可以直接接受任意大小的輸入圖像，解決??１０??

【參考文獻(xiàn)】：
期刊論文
[1]多尺度特征融合的圖像語義分割[J]. 馬冬梅,楊彩鋒,李鵬輝.  西北師范大學(xué)學(xué)報(bào)(自然科學(xué)版). 2020(01)
[2]超聲造影對(duì)乳腺癌的診斷價(jià)值[J]. 王萌,王春梅.  癌癥進(jìn)展. 2019(24)
[3]局部區(qū)域擬合的快速水平集圖像分割方法[J]. 黃國鵬,姬紅兵,張文博.  中國圖象圖形學(xué)報(bào). 2019(12)
[4]稀疏形狀先驗(yàn)的腦腫瘤圖像分割[J]. 雷曉亮,于曉升,遲劍寧,王瑩,吳成東.  中國圖象圖形學(xué)報(bào). 2019(12)
[5]自動(dòng)乳腺全容積成像超聲在乳腺癌診斷中的價(jià)值[J]. 郭紅梅,叱強(qiáng)軍,王琪,張笑.  實(shí)用癌癥雜志. 2019(11)
[6]基于超聲成像的語言研究綜述[J]. 張金溪,李永宏,寇贇.  西北民族大學(xué)學(xué)報(bào)(哲學(xué)社會(huì)科學(xué)版). 2019(06)
[7]基于編碼器-解碼器的半監(jiān)督圖像語義分割[J]. 劉貝貝,華蓓.  計(jì)算機(jī)系統(tǒng)應(yīng)用. 2019(11)
[8]基于ResNet50網(wǎng)絡(luò)的十種魚類圖像分類識(shí)別研究[J]. 王文成,蔣慧,喬倩,祝捍皓,鄭紅.  農(nóng)村經(jīng)濟(jì)與科技. 2019(19)
[9]基于改進(jìn)DRLSE水平集模型的圖像分割[J]. 魏晨晨,羿旭明.  圖學(xué)學(xué)報(bào). 2019(05)
[10]數(shù)字化乳腺攝影、擴(kuò)散加權(quán)成像、MRI動(dòng)態(tài)增強(qiáng)聯(lián)合診斷乳腺腫瘤的臨床價(jià)值[J]. 羅超,張郎杰.  醫(yī)學(xué)綜述. 2019(18)



本文編號(hào)：3034853