心腦血管疾病是一類嚴(yán)重的多發(fā)病,早期的診斷和治療對(duì)防止病情的惡化具有重要的意義,利用圖像分割技術(shù)對(duì)醫(yī)學(xué)影像進(jìn)行分析是一種常用的輔助診療手段,由于核磁共振成像(Magnetic Resonance Imaging,MRI)具有非侵入性、非損傷性、高對(duì)比度等優(yōu)勢,被廣泛的應(yīng)用于臨床診斷。但由于成像設(shè)備自身的問題及腦組織的特殊性,腦MR圖像中經(jīng)常存在噪聲、偏移場、弱邊界等問題,而傳統(tǒng)的圖像分割算法往往是基于灰度信息,受上述問題影響較大,難以獲得精確的分割結(jié)果�；诰矸e神經(jīng)網(wǎng)絡(luò)的模型能獲得不同尺度的特征信息而得到更為準(zhǔn)確的分割結(jié)果,但由于多次卷積與池化操作,導(dǎo)致對(duì)細(xì)節(jié)保持能力不足,分割效果不夠理想。本文基于全卷積神經(jīng)網(wǎng)絡(luò)及U-Net模型,針對(duì)其存在的問題,對(duì)模型進(jìn)行了改進(jìn),并使用了新的損失函數(shù),對(duì)細(xì)節(jié)的分割獲得了更好的結(jié)果,并提升了準(zhǔn)確率。本文的研究內(nèi)容主要有以下兩個(gè)方面:(1)針對(duì)U-Net在分割腦MR圖像時(shí)對(duì)細(xì)節(jié)分割效果不理想,且分割邊界較光滑的問題,提出了一種多尺度的全卷積U形網(wǎng)絡(luò)。在U-Net中加入了多尺度的卷積核,使用小尺度的卷積核提取圖像細(xì)節(jié)信息,提升對(duì)細(xì)節(jié)的處理效果,使用較大尺度的卷積核擴(kuò)大感受野,利用更多的鄰域信息。通過結(jié)合不同尺度的卷積核的特征圖,提升模型的分割精度。(2)針對(duì)醫(yī)學(xué)圖像中背景占比較大導(dǎo)致對(duì)損失影響較大的問題,構(gòu)造了一種加權(quán)交叉熵?fù)p失函數(shù)。在交叉熵?fù)p失函數(shù)的基礎(chǔ)上引入了權(quán)重系數(shù),構(gòu)造了加權(quán)交叉熵?fù)p失函數(shù),通過控制圖像不同位置的像素權(quán)重,減小損失受背景的影響,平衡不同類別分割結(jié)果對(duì)目標(biāo)損失的影響,提升模型的分割準(zhǔn)確率。通過在臨床腦MR圖像上的分割結(jié)果對(duì)比,本文提出的方法在不規(guī)則邊界及細(xì)長拓?fù)涞姆指罱Y(jié)果上表現(xiàn)更好,且獲得了更高的準(zhǔn)確率,從視覺效果及數(shù)值效果上驗(yàn)證了本文方法的有效性。
【學(xué)位單位】：南京信息工程大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2019
【中圖分類】：R445.2;TP391.41;TP183
【部分圖文】：

南京信息工程大學(xué)碩士學(xué)位論文醫(yī)學(xué)圖像又不同于一般圖像，由于儀器設(shè)備本身或外生一些偽影區(qū)域或噪聲點(diǎn)；且由于腦部組織本身的特征呈現(xiàn)弱邊界的特點(diǎn)。這些都是傳統(tǒng)圖像分割算法難以攻復(fù)雜背景的醫(yī)學(xué)圖像的分割效果較差，而臨床診斷又要確率，因此，我們需要更加準(zhǔn)確且魯棒的分割算法。經(jīng)網(wǎng)絡(luò)的分割模型深度學(xué)習(xí)（Deep Learning，DL）發(fā)展迅猛，尤其NeuralNetworks，CNNs）在各類計(jì)算機(jī)視覺任務(wù)中都取經(jīng)網(wǎng)絡(luò)應(yīng)用于醫(yī)學(xué)圖像分割是近年來研究的熱點(diǎn)課題[3

第一章 緒論重，則第 個(gè)隱層神經(jīng)元的輸入為 = ∑ ，第 。更復(fù)雜的多層神經(jīng)網(wǎng)絡(luò)可以解決更復(fù)雜的問題大的學(xué)習(xí)算法，其中最具代表性的是誤差逆?zhèn)鞑ィ˙ack等[42]證明只需要一個(gè)具有足夠多的神經(jīng)元的隱層，多層意復(fù)雜的連續(xù)函數(shù)。但是因?yàn)榫W(wǎng)絡(luò)是全連接的，即每個(gè)間都存在一個(gè)權(quán)重，所以更深更大的網(wǎng)絡(luò)有更多的參數(shù)的圖片為例，需要網(wǎng)絡(luò)輸入層有 262144 個(gè)神經(jīng)元，我經(jīng)元，那么只這一層網(wǎng)絡(luò)就有6.87 × 10 個(gè)參數(shù)需要訓(xùn)

圖 2.1 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖2.2.1 卷積層卷積是通過兩個(gè)函數(shù)生成第三個(gè)函數(shù)的一種數(shù)學(xué)算子，設(shè) ( )、 ( )是可積函數(shù)，記卷積為 ，則 ( ) = ( )( ) = ( ) ( ) （2.1）仍為可積函數(shù)，且( )( ) = ( )( )。在卷積神經(jīng)網(wǎng)絡(luò)中，卷積核是一個(gè)權(quán)重矩陣，卷積操作是卷積核對(duì)特征圖的一種滑動(dòng)濾波，是濾波器滑過圖像對(duì)應(yīng)位置相乘并求和，可以看作是上述積分的離散形式，其表達(dá)式如下所示。 ( , ) = ( , ) ( + , + ) + （2.2）
【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 韓懸;馬銀平;;分水嶺算法的改進(jìn)及在圖像分割中的應(yīng)用[J];現(xiàn)代信息科技;2019年24期

2 黃玲;石玉秋;覃永新;;基于小波融合的蘋果圖像分割的研究[J];科技視界;2018年29期

3 侯紅英;高甜;李桃;;圖像分割方法綜述[J];電腦知識(shí)與技術(shù);2019年05期

4 姚霆;張煒;劉金根;;基于深度學(xué)習(xí)的圖像分割技術(shù)[J];人工智能;2019年02期

5 丁翠;;基于模糊信息處理的圖像分割方法研究[J];信息系統(tǒng)工程;2017年11期

6 王平;魏征;崔衛(wèi)紅;林志勇;;一種基于統(tǒng)計(jì)學(xué)習(xí)理論的最小生成樹圖像分割準(zhǔn)則[J];武漢大學(xué)學(xué)報(bào)(信息科學(xué)版);2017年07期

7 李然;李記鵬;宋超;;基于顯著性檢測的協(xié)同圖像分割研究[J];現(xiàn)代計(jì)算機(jī)(專業(yè)版);2017年24期

8 鄧惠俊;;一種基于數(shù)據(jù)場的圖像分割方法與研究[J];長春工程學(xué)院學(xué)報(bào)(自然科學(xué)版);2016年02期

9 李繼云;冀卿偉;;基于自適應(yīng)局部閾值的交互式圖像分割[J];計(jì)算機(jī)應(yīng)用與軟件;2014年11期

10 劉印;;對(duì)圖像分割方法的認(rèn)識(shí)及新進(jìn)展研究[J];數(shù)碼世界;2018年08期

相關(guān)博士學(xué)位論文 前10條

1 邵光普;基于混合模型和空間信息的圖像分割研究[D];華中科技大學(xué);2019年

2 王晨;視覺顯著性檢測方法研究及其應(yīng)用[D];西北工業(yè)大學(xué);2018年

3 古晶;基于稀疏特征學(xué)習(xí)的SAR圖像分割與半監(jiān)督分類方法研究[D];西安電子科技大學(xué);2016年

4 段一平;基于層次視覺計(jì)算和統(tǒng)計(jì)模型的SAR圖像分割與理解[D];西安電子科技大學(xué);2017年

5 胡佩君;腹部CT圖像分割的可計(jì)算建模方法研究[D];浙江大學(xué);2018年

6 姜楓;基于語義識(shí)別的砂巖薄片圖像分割方法研究[D];南京大學(xué);2018年

7 趙曉麗;面向圖像分割的智能算法研究[D];上海大學(xué);2018年

8 倪波;高強(qiáng)度聚焦超聲圖像分割方法研究[D];武漢大學(xué);2016年

9 彭自立;用于交互式圖像分割的自適應(yīng)表觀分離[D];湖南師范大學(xué);2018年

10 瞿紹軍;基于最優(yōu)化理論的圖像分割方法研究[D];湖南師范大學(xué);2018年

相關(guān)碩士學(xué)位論文 前10條

1 王亞彪;基于深度學(xué)習(xí)的人腦組織圖像分割[D];北京理工大學(xué);2016年

2 王宇飛;基于模糊聚類技術(shù)的磁共振腦圖像分割方法的研究[D];北京理工大學(xué);2017年

3 王寧;基于生成對(duì)抗網(wǎng)絡(luò)的皮膚鏡圖像分割算法研究[D];山東科技大學(xué);2018年

4 張彎;近景圖像分割與像對(duì)分步匹配方法研究[D];山東科技大學(xué);2018年

5 閆文杰;基于深度學(xué)習(xí)的肺部CT影像分割算法的研究[D];大連理工大學(xué);2019年

6 殷麗麗;基于CNN-CRF的細(xì)胞顯微圖像分割[D];東華大學(xué);2019年

7 秦松巖;基于深度學(xué)習(xí)的火車輪對(duì)踏面圖像分割[D];石家莊鐵道大學(xué);2019年

8 趙向明;基于深度學(xué)習(xí)的醫(yī)學(xué)圖像分割算法研究[D];華中科技大學(xué);2019年

9 袁旭;基于超像素的圖像分割方法研究[D];華中科技大學(xué);2019年

10 胡翔;試卷智能輔助批閱系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D];華中科技大學(xué);2019年

本文編號(hào)：2880826