醫(yī)學(xué)圖像分割是生物醫(yī)學(xué)圖像處理中的一個重要問題。醫(yī)學(xué)圖像的高效、自動分割可以幫助醫(yī)生輔助診療,也為研究者更好地了解生物組織的解剖信息提供了有力的技術(shù)支撐。醫(yī)學(xué)圖像易受噪聲干擾、灰度不均勻性等特點成為影響分割性能的主要因素。近年來基于特征編碼和解碼結(jié)構(gòu)的醫(yī)學(xué)圖像分割方法逐漸成為主流,但是不少方法在編碼器的設(shè)計上沒有考慮醫(yī)學(xué)圖像自身的特點,例如多模態(tài)、空間鄰域關(guān)系等信息,尤其在構(gòu)建端到端的深度神經(jīng)網(wǎng)絡(luò)方面,其解碼器的設(shè)計沒有充分考慮層級間的長期信息依賴性,使得這些方法效果有限。因此,本文為了克服現(xiàn)有方法在特征編碼器和解碼器設(shè)計上的不足,提出了兩種改進(jìn)方法,用以提升醫(yī)學(xué)圖像分割的性能和魯棒性。本文的主要工作如下:（1）從改進(jìn)特征編碼器的角度出發(fā),提出了一種基于多模態(tài)和鄰域約束的特征編碼和解碼方法,稱為LSTM-MA。該方法將圖像看成是由結(jié)點連接的無向圖,結(jié)合了多模態(tài)和空間鄰域信息,設(shè)計了兩種對結(jié)點提取特征序列的方法:像素級約束和超像素級約束。然后使用LSTM網(wǎng)絡(luò)對特征序列進(jìn)行分類,最后融合各結(jié)點的分類結(jié)果完成分割預(yù)測。在BrainWeb和MRBrainS上的評估實驗結(jié)果表明,該方法在噪聲干擾... 

【文章來源】：華東師范大學(xué)上海市 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：63 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景和意義
    1.2 醫(yī)學(xué)圖像分割的研究綜述
        1.2.1 醫(yī)學(xué)圖像分割的研究難點
        1.2.2 醫(yī)學(xué)圖像分割的研究現(xiàn)狀
    1.3 本文的主要研究內(nèi)容
    1.4 本文結(jié)構(gòu)安排
    1.5 本章小結(jié)
第二章 應(yīng)用于圖像分割的深度學(xué)習(xí)相關(guān)模型介紹
    2.1 基于編碼和解碼結(jié)構(gòu)的卷積神經(jīng)網(wǎng)絡(luò)分割模型
        2.1.1 卷積神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)
        2.1.2 FCN模型
        2.1.3 U-Net模型
        2.1.4 Seg Net模型
    2.2 循環(huán)神經(jīng)網(wǎng)絡(luò)
        2.2.1 基本循環(huán)網(wǎng)絡(luò)
        2.2.2 長短期記憶網(wǎng)絡(luò)
        2.2.3 門控循環(huán)單元
    2.3 本章小結(jié)
第三章 基于多模態(tài)和鄰域約束的特征編碼和解碼
    3.1 引入多模態(tài)和鄰域約束的動機(jī)
    3.2 基于多模態(tài)和鄰域約束的特征編碼和解碼方法
        3.2.1 圖像的無向圖表示
        3.2.2 多模態(tài)和鄰域約束的特征編碼
        3.2.3 基于LSTM的特征解碼
    3.3 本章小結(jié)
第四章 基于卷積循環(huán)神經(jīng)網(wǎng)絡(luò)的特征編碼和解碼
    4.1 引入卷積循環(huán)神經(jīng)網(wǎng)絡(luò)的動機(jī)
    4.2 基于卷積循環(huán)神經(jīng)網(wǎng)絡(luò)的特征編碼和解碼方法
        4.2.1 卷積循環(huán)解碼網(wǎng)絡(luò)整體結(jié)構(gòu)
        4.2.2 循環(huán)解碼單元
    4.3 本章小結(jié)
第五章 實驗結(jié)果及分析
    5.1 實驗數(shù)據(jù)庫介紹
    5.2 實驗評價指標(biāo)
    5.3 基于多模態(tài)和鄰域約束的特征編碼和解碼的實驗及分析
        5.3.1 超參數(shù)設(shè)置及實現(xiàn)細(xì)節(jié)
        5.3.2 模型消融實驗
        5.3.3 模型對比實驗
        5.3.4 噪聲圖像實驗
    5.4 基于卷積循環(huán)神經(jīng)網(wǎng)絡(luò)的特征編碼和解碼的實驗及分析
        5.4.1 超參數(shù)設(shè)置及實現(xiàn)細(xì)節(jié)
        5.4.2 模型消融實驗
        5.4.3 模型對比實驗
        5.4.4 模型魯棒性實驗
    5.5 本章小結(jié)
第六章 總結(jié)與展望
    6.1 工作總結(jié)
    6.2 工作展望
參考文獻(xiàn)
致謝
攻讀碩士學(xué)位期間學(xué)術(shù)成果


【參考文獻(xiàn)】：
期刊論文
[1]圖像分割閾值選取方法的研究[J]. 拜穎乾.  信息系統(tǒng)工程. 2014(02)
[2]基于大津法求閾值的變化矢量分析法[J]. 曾子芳,潘建平.  測繪與空間地理信息. 2013(03)
[3]醫(yī)學(xué)圖像分割方法綜述[J]. 林瑤,田捷.  模式識別與人工智能. 2002(02)

碩士論文
[1]基于模糊聚類算法的圖像分割研究[D]. 胡加亮.華東師范大學(xué) 2019



本文編號：3242558