腦腫瘤圖像分割是醫(yī)學(xué)圖像處理中的一個重要分支。其目的是通過對顱內(nèi)影像數(shù)據(jù)進行智能化處理獲得腫瘤的位置、尺寸、形態(tài)結(jié)構(gòu)和骨質(zhì)破壞等信息,為腫瘤專家提供用于診斷的可靠依據(jù)。在腦腫瘤統(tǒng)計數(shù)據(jù)中,神經(jīng)膠質(zhì)瘤是最常見的中樞神經(jīng)系統(tǒng)疾病,約占原發(fā)性腫瘤的80%,常見于兒童和青年人群。高級別膠質(zhì)瘤具有形態(tài)多變、浸潤生長的特點。對于腫瘤占位性壓迫的患者,開顱檢查有可能對患者造成神經(jīng)損傷,因此專家一般對腦影像數(shù)據(jù)進行診斷。在智能化的非侵入性檢查算法中,單純依靠強度閾值和紋理特征等特點構(gòu)建的模型,其預(yù)測結(jié)果與真實標(biāo)簽相比準(zhǔn)確率低,很難在實踐中獲得廣泛應(yīng)用,因此需要開發(fā)一種可靠的自動分割算法。本文針對腦腫瘤圖像病灶分割的任務(wù)設(shè)計了兩個深度學(xué)習(xí)模型,分別是基于U-Net模型的編碼器-解碼器結(jié)構(gòu)和一個雙通路三維并行卷積網(wǎng)絡(luò)。編碼器-解碼器結(jié)構(gòu)已經(jīng)被證實在醫(yī)學(xué)圖像分割的多個領(lǐng)域具有良好性能,因此本文在U-Net模型的基礎(chǔ)上構(gòu)建了針對MRI圖像三維數(shù)據(jù)的空間結(jié)構(gòu),將分割結(jié)果與金標(biāo)準(zhǔn)進行對比,計算其Dice系數(shù)與其他全卷積算法進行對比。U-Net在醫(yī)學(xué)圖像分割中的良好表現(xiàn)得益于兩點。第一,U-Net的收縮路徑可以獲得... 

【文章來源】：內(nèi)蒙古科技大學(xué)內(nèi)蒙古自治區(qū)

【文章頁數(shù)】：61 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 課題研究背景與意義
    1.2 主要研究內(nèi)容
    1.3 腦腫瘤分割的常用算法
        1.3.1 基于閾值的圖像分割算法
        1.3.2 基于邊緣的圖像分割算法
        1.3.3
        1.3.4 基于圖譜的圖像分割算法
    1.4 課題研究現(xiàn)狀
        1.4.1 國外研究現(xiàn)狀
        1.4.2 國內(nèi)研究現(xiàn)狀
    1.5 章節(jié)安排
2 腦腫瘤MRI簡介
    2.1 磁共振
        2.1.1 磁共振現(xiàn)象
        2.1.2 偽影
        2.1.3 容積效應(yīng)
    2.2 BraTS2018
        2.2.1 腦腫瘤數(shù)據(jù)
        2.2.2 評價指標(biāo)
    2.4 本章小結(jié)
3 基于單卷積神經(jīng)網(wǎng)絡(luò)的腦腫瘤分割
    3.1 卷積神經(jīng)網(wǎng)絡(luò)
        3.1.1 神經(jīng)網(wǎng)絡(luò)的發(fā)展歷程
        3.1.2 CNN的基礎(chǔ)運算
        3.1.3 池化
        3.1.4 激活函數(shù)
        3.1.5 目標(biāo)函數(shù)
    3.2 基于U-Net的腦腫瘤分割
        3.2.1 編碼器-解碼器網(wǎng)絡(luò)的原理
        3.2.2 三維集成U-Net
    3.3 實驗設(shè)計
        3.3.1 數(shù)據(jù)預(yù)處理
        3.3.2 網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)配置
    3.4 實驗結(jié)果與分析
    3.5 本章小結(jié)
4 結(jié)合空洞的并行CNN
    4.1 空洞卷積網(wǎng)絡(luò)
        4.1.1 空洞卷積算法原理
        4.1.2 非連續(xù)性空洞卷積
    4.2 密集全連接網(wǎng)絡(luò)
        4.2.1 ResNet
        4.2.2 DenseNet
        4.2.3 密集連接網(wǎng)絡(luò)的組成模塊
    4.3 實驗與討論
        4.3.1 數(shù)據(jù)預(yù)處理
        4.3.2 實驗數(shù)據(jù)與環(huán)境配置
        4.3.3 網(wǎng)絡(luò)參數(shù)設(shè)定
        4.3.4 實驗結(jié)果與分析
        4.3.5 對比實驗分析
    4.4 本章小結(jié)
結(jié)論
展望
參考文獻
在學(xué)研究成果
致謝


【參考文獻】：
期刊論文
[1]MRI腦腫瘤圖像分割的深度學(xué)習(xí)方法綜述[J]. 江宗康,呂曉鋼,張建新,張強,魏小鵬.  中國圖象圖形學(xué)報. 2020(02)
[2]改進FCMS算法及其在顱內(nèi)腫瘤圖像分割的研究[J]. 王巖,吳煥麗.  科學(xué)技術(shù)與工程. 2019(34)
[3]基于多核協(xié)同表示分類的腦腫瘤分割算法[J]. 葛婷,詹天明,牟善祥.  南京理工大學(xué)學(xué)報. 2019(05)
[4]多分類CNN的膠質(zhì)母細胞瘤多模態(tài)MR圖像分割[J]. 賴小波,許茂盛,徐小媚.  電子學(xué)報. 2019(08)
[5]基于自適應(yīng)聯(lián)合雙邊濾波的深度圖像空洞填充與優(yōu)化算法[J]. 王得成,陳向?qū)?易輝,趙峰.  中國激光. 2019(10)
[6]基于雙通道GAN的高光譜圖像分類算法[J]. 畢曉君,周澤宇.  光學(xué)學(xué)報. 2019(10)
[7]多模態(tài)融合的深度學(xué)習(xí)腦腫瘤檢測方法[J]. 姚紅革,沈新霞,李宇,喻鈞,雷松澤.  光子學(xué)報. 2019(07)
[8]基于MATLAB＿GUI的超聲乳腺腫瘤圖像分割平臺設(shè)計[J]. 范懷玉,馬軍山.  軟件. 2019(06)
[9]基于Armijo線搜索的布里淵散射譜圖像降噪算法[J]. 尚秋峰,秦文婕,胡雨婷.  中國激光. 2019(09)
[10]改進FCM的MR腦腫瘤圖像分割[J]. 蔣秋霖,王昕.  長春工業(yè)大學(xué)學(xué)報. 2019(02)

博士論文
[1]磁共振成像中若干方法問題研究[D]. 李建奇.華東師范大學(xué) 2010
[2]數(shù)字化MRI譜儀系統(tǒng)的研究與設(shè)計[D]. 劉正敏.中國科學(xué)技術(shù)大學(xué) 2007

碩士論文
[1]基于深度學(xué)習(xí)的腦部腫瘤分割算法研究與實現(xiàn)[D]. 孔祥茂.山東大學(xué) 2019
[2]雙目圖像的目標(biāo)分割方法研究[D]. 朱暉.西安電子科技大學(xué) 2018
[3]沉默ABCE1基因?qū)θ四X膠質(zhì)瘤細胞增殖的影響及其機制的初步研究[D]. 薛歡鴿.山西大學(xué) 2018
[4]多模態(tài)MRI腦腫瘤圖像分割方法研究[D]. 王瑞.山東大學(xué) 2018
[5]基于3維全卷積DenseNet的MRI腦膠質(zhì)瘤多區(qū)域分割算法研究[D]. 黃奕暉.南方醫(yī)科大學(xué) 2018
[6]深度卷積網(wǎng)絡(luò)中的自適應(yīng)激活函數(shù)研究[D]. 劉華.華南理工大學(xué) 2018
[7]基于輪廓線的自動三維重建方法研究[D]. 劉文曉.青島科技大學(xué) 2017
[8]基于DoG的胸部CT肺結(jié)節(jié)自動檢測算法研究[D]. 劉晨輝.廣州大學(xué) 2016
[9]腦腫瘤圖像分割及三維重建方法研究[D]. 張雯.蘭州交通大學(xué) 2016
[10]IL型咪唑Gemini表面活性劑的合成及其溶液性質(zhì)的研究[D]. 任成成.中國石油大學(xué)(華東) 2015



本文編號：3198954