子宮腺肌瘤是一種病發(fā)于子宮內(nèi)的常見(jiàn)疾病,其病狀與痛感嚴(yán)重困擾了當(dāng)代女性的身心健康。而超聲檢查因其無(wú)損和價(jià)低等優(yōu)勢(shì)被作為臨床婦科疾病診斷的主要影像學(xué)方法,經(jīng)常用于子宮類疾病的初期篩查和術(shù)后診療中。伴隨著深度學(xué)習(xí)領(lǐng)域的不斷發(fā)展,與醫(yī)學(xué)領(lǐng)域的交叉研究也在蓬勃發(fā)展,計(jì)算機(jī)輔助診斷系統(tǒng)也將逐步被廣泛應(yīng)用到臨床醫(yī)學(xué)領(lǐng)域。由于超聲圖像的自身噪聲和偽影等缺點(diǎn),嚴(yán)重限制了其在人工智能圖像分割領(lǐng)域的發(fā)展。不同于體內(nèi)淺表層疾病,腹腔內(nèi)的超聲腫瘤圖像邊界不清、干擾較大也給分割造成難度。為解決上述問(wèn)題,同時(shí)減輕醫(yī)師的工作負(fù)擔(dān),滿足臨床診斷快速高效的需求,本課題在子宮腺肌瘤超聲圖像分割方向進(jìn)行嘗試,填補(bǔ)深度學(xué)習(xí)在此領(lǐng)域應(yīng)用的空白。使用來(lái)自北京市婦產(chǎn)醫(yī)院的超聲儀器采集的200多名子宮腺肌瘤患者的近1600張超聲影像,對(duì)病灶影像進(jìn)行標(biāo)注和預(yù)處理,構(gòu)建子宮腺肌瘤超聲數(shù)據(jù)集。隨后進(jìn)行了以下研究:首先,針對(duì)傳統(tǒng)圖像分割方法的不足,本文分別設(shè)計(jì)兩種不同的深度學(xué)習(xí)方法實(shí)現(xiàn)對(duì)子宮腺肌瘤的分割。使用Deeplab模型,通過(guò)空洞卷積算法和全連接CRF來(lái)優(yōu)化病灶邊緣細(xì)節(jié)信息,并對(duì)比兩種語(yǔ)義分割網(wǎng)絡(luò)得到最優(yōu)的結(jié)果。使用Mask RCNN... 

【文章來(lái)源】：中國(guó)地質(zhì)大學(xué)(北京)北京市 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：64 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

深度學(xué)習(xí)在醫(yī)學(xué)影像應(yīng)用方面的文獻(xiàn)發(fā)表量

中國(guó)地質(zhì)大學(xué)（北京）工程碩士學(xué)位論文9下采樣：池化層是CNN中重要的創(chuàng)新，其本質(zhì)是下采樣。它的作用是將使一些模糊特征兼具穩(wěn)定性，令模型性能更加穩(wěn)固。2.1.2基本網(wǎng)絡(luò)結(jié)構(gòu)圖2-1是CNN的基礎(chǔ)架構(gòu)，由卷積層、池化層和全連接層組成。但在實(shí)際應(yīng)用中，網(wǎng)絡(luò)會(huì)被設(shè)計(jì)成多種層次交替出現(xiàn)，根據(jù)不同情況對(duì)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行調(diào)節(jié)。由于卷積層中輸出特征圖的每個(gè)神經(jīng)元與其輸入圖像僅部分相連，這種連接方式所構(gòu)成的稀疏鏈接結(jié)構(gòu)，會(huì)有效防止訓(xùn)練容易出現(xiàn)過(guò)擬合的現(xiàn)象，減輕訓(xùn)練壓力。圖2-1卷積神經(jīng)網(wǎng)絡(luò)簡(jiǎn)化結(jié)構(gòu)2.1.2.1卷積層捕捉和提取特征是該層的最主要功能，圖片經(jīng)若干個(gè)卷積核運(yùn)算后，送入激活函數(shù)，輸出若干特征圖，以便在圖像分割時(shí)捕捉特征信息。卷積過(guò)程其實(shí)就是通過(guò)權(quán)重參數(shù)矩陣與圖像部分區(qū)域進(jìn)行卷積運(yùn)算再加上固定偏移量，假設(shè)第l卷積層中的第i個(gè)特征圖為lih，limw是lih與上一層的第m個(gè)特征圖（即l1mh）之間的卷積核，可為N×N的矩陣，其卷積的計(jì)算公式如式(2-1)所示，其中M就是上一層特征圖的個(gè)數(shù)，lb表示第l卷積層的固定偏移數(shù)值。11*Mlllliimmmhwhb==+(2-1)如圖2-2說(shuō)明了卷積的計(jì)算方式，4×4大小的輸入圖像與3×3的卷積核，以步長(zhǎng)為1進(jìn)行卷積運(yùn)算，所得到的特征圖像。

第二章基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分割原理10108011110801080108011111127242724卷積運(yùn)算輸出特征圖卷積核輸入圖像圖2-2卷積層運(yùn)算示意圖卷積核是一個(gè)權(quán)重參數(shù)矩陣，上文提及的權(quán)值共享就是其最重要的特性。不僅能夠降低參數(shù)的多余開(kāi)銷(xiāo)，簡(jiǎn)化模型網(wǎng)絡(luò)，優(yōu)化訓(xùn)練時(shí)長(zhǎng)，大大降低了參數(shù)的數(shù)量，降低復(fù)雜度，使得神經(jīng)網(wǎng)絡(luò)的存儲(chǔ)開(kāi)銷(xiāo)方面要求降低。2.1.2.2激活函數(shù)卷積層的輸出在正式輸入到池化層之前是需要一步操作：將線性轉(zhuǎn)為非線性，以便適用于不同網(wǎng)絡(luò)的訓(xùn)練需求，打破線性所帶來(lái)的局限性。那么這一步就是先將其傳給激活函數(shù)，例如Sigmoid函數(shù)、ReLU(Glorot,Bordes,&Bengio,2011)、Tanh函數(shù)等。Sigmoid函數(shù)、Tanh函數(shù)分別可用圖2-3和圖2-4以及式(2-2)和式(2-3)表示：1()1sxxe=+(2-2)()xxxxeexee=+(2-3)圖2-3Sigmoid函數(shù)圖像圖2-4Tanh函數(shù)圖像圖2-3、2-4可知，這兩個(gè)激活函數(shù)均處處可導(dǎo)，但當(dāng)輸入較小或較大時(shí)，梯度約為0，因此在反向傳播算法計(jì)算過(guò)程中，逐層對(duì)函數(shù)偏導(dǎo)相乘時(shí)很容易出現(xiàn)梯度消失的問(wèn)題，造成模型無(wú)法收斂。

【參考文獻(xiàn)】：
期刊論文
[1]高強(qiáng)度聚焦超聲消融術(shù)在腫瘤治療方面的應(yīng)用進(jìn)展[J]. 賈淑平,趙亮,蔣荷娟.  中國(guó)醫(yī)療器械信息. 2019(09)
[2]一種多尺度CNN的圖像語(yǔ)義分割算法[J]. 劉丹,劉學(xué)軍,王美珍.  遙感信息. 2017(01)
[3]婦科疾病的種類及對(duì)女性的危害[J]. 楊萍.  中國(guó)保健營(yíng)養(yǎng). 2013(01)
[4]子宮腺肌癥患者子宮內(nèi)膜-肌層界面雌激素受體變化[J]. 江如,廖麗君.  中國(guó)婦幼保健. 2010(21)
[5]超聲造影評(píng)價(jià)高強(qiáng)度聚焦超聲治療子宮腺肌瘤的療效[J]. 衛(wèi)春芳,胡兵,姜立新.  中華醫(yī)學(xué)超聲雜志(電子版). 2010(01)
[6]醫(yī)學(xué)圖像處理技術(shù)綜述[J]. 周賢善.  福建電腦. 2009(01)
[7]圖像分析技術(shù)在醫(yī)學(xué)上的應(yīng)用[J]. 林曉,邱曉嘉.  包頭醫(yī)學(xué)院學(xué)報(bào). 2005(03)

碩士論文
[1]基于語(yǔ)義分割的食管早癌計(jì)算機(jī)輔助診斷關(guān)鍵技術(shù)研究[D]. 杜笑笑.鄭州大學(xué) 2019
[2]基于深度語(yǔ)義分割網(wǎng)絡(luò)的路面狀態(tài)識(shí)別算法研究[D]. 梁曹佳.華中科技大學(xué) 2019
[3]基于深度學(xué)習(xí)的醫(yī)學(xué)圖像分割方法研究[D]. 王凱明.中國(guó)科學(xué)技術(shù)大學(xué) 2018
[4]基于深度學(xué)習(xí)的行人檢測(cè)系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D]. 王立松.北京交通大學(xué) 2018



本文編號(hào)：3400332