滑膜炎是一種多發(fā)性的遷延難愈性疾病,是很多骨關(guān)節(jié)疾病,尤其是類風(fēng)濕關(guān)節(jié)炎的重要病理表現(xiàn),早期對病情做出診斷及尋找預(yù)示骨質(zhì)破壞的指標(biāo),對于病情評估和制定有效的治療方案具有極為重要的意義。為了精準(zhǔn)的確定患者病情并制定出有效的治療方案,醫(yī)生往往通過手工勾畫來提取MRI圖像中的滑膜增生區(qū)域并進行不同等級的標(biāo)注,但該方法存在耗時長、效率低,具有一定主觀性,且對疾病的嚴(yán)重程度及其治療效果的判斷往往缺乏可靠性及一致性等問題。為了解決以上問題,試圖探究使用AI訓(xùn)練模型實現(xiàn)滑膜增生的自動檢測。在實現(xiàn)滑膜增生自動檢測的過程中,快速、準(zhǔn)確的將滑膜增生組織區(qū)域從圖像中提取分割出來,是整個檢測過程中的關(guān)鍵步驟,對于輔助臨床醫(yī)生及時對病情做出正確的診斷發(fā)揮著不可忽視的作用。近些年來,由于深度學(xué)習(xí)得到了飛速的發(fā)展,基于深度學(xué)習(xí)的圖像分割技術(shù),被廣泛應(yīng)用到了醫(yī)學(xué)圖像分割領(lǐng)域,其中以U-net分割算法在醫(yī)學(xué)圖像分割領(lǐng)域的應(yīng)用最為廣泛。但由于關(guān)節(jié)滑膜病變區(qū)域的分布范圍較大、各部病變形態(tài)不一,U-net模型在關(guān)節(jié)滑膜MRI圖像分割中并未達(dá)到預(yù)期的效果。為了得到更精準(zhǔn)的分割效果,針對U-net網(wǎng)絡(luò)深度略有不足的缺點,本文提出... 

【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)】：57 頁

【學(xué)位級別】：碩士

【部分圖文】：

卷積層代替全連接層示意圖

2020屆華東師范大學(xué)碩士學(xué)位論文9圖2FCN跳躍連接結(jié)構(gòu)實現(xiàn)分割結(jié)果細(xì)化圖3是FCN分割圖像所得結(jié)果精細(xì)結(jié)構(gòu)的改進情況對比圖，從圖中可以看出，隨著輸出圖像中單個像素感知區(qū)域范圍的縮小，所得分割結(jié)果越來越精確。(a)輸入圖像(b)FCN-32s(c)FCN-16s(d)FCN-8s(e)金標(biāo)準(zhǔn)圖3FCN輸出圖像精細(xì)結(jié)構(gòu)的改進2.1.3網(wǎng)絡(luò)性能評估基于FCN網(wǎng)絡(luò)的圖像分割算法克服了傳統(tǒng)CNN分割算法中存在的一些不足之處，與CNN分割算法不同，F(xiàn)CN無需考慮輸送到網(wǎng)絡(luò)中的每張圖像的尺寸大小是否相同，因此對于輸入圖像的尺寸大小沒有任何限制；此外FCN的計算效率相對較高，由于它在訓(xùn)練預(yù)測過程中所選用的對象不再是像素塊，因此所需計算量減少了很多，同時圖像的分割效率也得到了提升。對于任意的分割算法來說，他們都是既有優(yōu)點又有缺點的，很明顯FCN也不例外�；贔CN的圖像分割算法，在具體的分類工作中，由于對上下文之間的關(guān)聯(lián)沒能給予合理的認(rèn)識，因而導(dǎo)致分割結(jié)果缺乏空間一致性；另外FCN雖然通過采用跳躍連接結(jié)構(gòu)實現(xiàn)了跨層特征的融合提高了模型的分割精度，但模型訓(xùn)練過程中的上采樣操作會造成細(xì)節(jié)信息丟失，導(dǎo)致模型捕捉圖像細(xì)節(jié)信息的靈

2020屆華東師范大學(xué)碩士學(xué)位論文9圖2FCN跳躍連接結(jié)構(gòu)實現(xiàn)分割結(jié)果細(xì)化圖3是FCN分割圖像所得結(jié)果精細(xì)結(jié)構(gòu)的改進情況對比圖，從圖中可以看出，隨著輸出圖像中單個像素感知區(qū)域范圍的縮小，所得分割結(jié)果越來越精確。(a)輸入圖像(b)FCN-32s(c)FCN-16s(d)FCN-8s(e)金標(biāo)準(zhǔn)圖3FCN輸出圖像精細(xì)結(jié)構(gòu)的改進2.1.3網(wǎng)絡(luò)性能評估基于FCN網(wǎng)絡(luò)的圖像分割算法克服了傳統(tǒng)CNN分割算法中存在的一些不足之處，與CNN分割算法不同，F(xiàn)CN無需考慮輸送到網(wǎng)絡(luò)中的每張圖像的尺寸大小是否相同，因此對于輸入圖像的尺寸大小沒有任何限制；此外FCN的計算效率相對較高，由于它在訓(xùn)練預(yù)測過程中所選用的對象不再是像素塊，因此所需計算量減少了很多，同時圖像的分割效率也得到了提升。對于任意的分割算法來說，他們都是既有優(yōu)點又有缺點的，很明顯FCN也不例外�；贔CN的圖像分割算法，在具體的分類工作中，由于對上下文之間的關(guān)聯(lián)沒能給予合理的認(rèn)識，因而導(dǎo)致分割結(jié)果缺乏空間一致性；另外FCN雖然通過采用跳躍連接結(jié)構(gòu)實現(xiàn)了跨層特征的融合提高了模型的分割精度，但模型訓(xùn)練過程中的上采樣操作會造成細(xì)節(jié)信息丟失，導(dǎo)致模型捕捉圖像細(xì)節(jié)信息的靈

【參考文獻】：
期刊論文
[1]Sentiment analysis using deep learning approaches:an overview[J]. Olivier HABIMANA,Yuhua LI,Ruixuan LI,Xiwu GU,Ge YU.  Science China（Information Sciences）. 2020(01)
[2]醫(yī)學(xué)影像人工智能輔助診斷的樣本增廣方法[J]. 魏小娜,李英豪,王振宇,李皓尊,汪紅志.  計算機應(yīng)用. 2019(09)
[3]Sharp-van der Heijde評分對類風(fēng)濕關(guān)節(jié)炎的臨床應(yīng)用價值[J]. 黃遠(yuǎn)彬,吳小玲,雷鳴,李文棟,陸珊.  臨床醫(yī)藥實踐. 2017(07)

碩士論文
[1]類風(fēng)濕性關(guān)節(jié)炎手腕部骨侵蝕MRI定量分析的臨床價值[D]. 周海燕.汕頭大學(xué) 2011
[2]類風(fēng)濕關(guān)節(jié)炎的腕關(guān)節(jié)MRI及臨床應(yīng)用研究[D]. 馬強.山西醫(yī)科大學(xué) 2003



本文編號：3330898