子宮腺肌瘤是一種病發(fā)于子宮內(nèi)的常見疾病,其病狀與痛感嚴重困擾了當代女性的身心健康。而超聲檢查因其無損和價低等優(yōu)勢被作為臨床婦科疾病診斷的主要影像學方法,經(jīng)常用于子宮類疾病的初期篩查和術(shù)后診療中。伴隨著深度學習領(lǐng)域的不斷發(fā)展,與醫(yī)學領(lǐng)域的交叉研究也在蓬勃發(fā)展,計算機輔助診斷系統(tǒng)也將逐步被廣泛應(yīng)用到臨床醫(yī)學領(lǐng)域。由于超聲圖像的自身噪聲和偽影等缺點,嚴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。為解決上述問題,同時減輕醫(yī)師的工作負擔,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行嘗試,填補深度學習在此領(lǐng)域應(yīng)用的空白。使用來自北京市婦產(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,對病灶影像進行標注和預(yù)處理,構(gòu)建子宮腺肌瘤超聲數(shù)據(jù)集。隨后進行了以下研究:首先,針對傳統(tǒng)圖像分割方法的不足,本文分別設(shè)計兩種不同的深度學習方法實現(xiàn)對子宮腺肌瘤的分割。使用Deeplab模型,通過空洞卷積算法和全連接CRF來優(yōu)化病灶邊緣細節(jié)信息,并對比兩種語義分割網(wǎng)絡(luò)得到最優(yōu)的結(jié)果。使用Mask RCNN... 

【文章來源】：中國地質(zhì)大學(北京)北京市 211工程院校 教育部直屬院校

【文章頁數(shù)】：64 頁

【學位級別】：碩士

【部分圖文】：

深度學習在醫(yī)學影像應(yīng)用方面的文獻發(fā)表量

中國地質(zhì)大學（北京）工程碩士學位論文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。但在實際應(yīng)用中，網(wǎng)絡(luò)會被設(shè)計成多種層次交替出現(xiàn)，根據(jù)不同情況對網(wǎng)絡(luò)結(jié)構(gòu)進行調(diào)節(jié)。由于卷積層中輸出特征圖的每個神經(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)，會有效防止訓(xùn)練容易出現(xiàn)過擬合的現(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)若干個卷積核運算后，送入激活函數(shù)，輸出若干特征圖，以便在圖像分割時捕捉特征信息。卷積過程其實就是通過權(quán)重參數(shù)矩陣與圖像部分區(qū)域進行卷積運算再加上固定偏移量，假設(shè)第l卷積層中的第i個特征圖為lih，limw是lih與上一層的第m個特征圖（即l1mh）之間的卷積核，可為N×N的矩陣，其卷積的計算公式如式(2-1)所示，其中M就是上一層特征圖的個數(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說明了卷積的計算方式，4×4大小的輸入圖像與3×3的卷積核，以步長為1進行卷積運算，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卷積運算輸出特征圖卷積核輸入圖像圖2-2卷積層運算示意圖卷積核是一個權(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)的多余開銷，簡化模型網(wǎng)絡(luò)，優(yōu)化訓(xùn)練時長，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)的存儲開銷方面要求降低。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，這兩個激活函數(shù)均處處可導(dǎo)，但當輸入較小或較大時，梯度約為0，因此在反向傳播算法計算過程中，逐層對函數(shù)偏導(dǎo)相乘時很容易出現(xiàn)梯度消失的問題，造成模型無法收斂。

【參考文獻】：
期刊論文
[1]高強度聚焦超聲消融術(shù)在腫瘤治療方面的應(yīng)用進展[J]. 賈淑平,趙亮,蔣荷娟.  中國醫(yī)療器械信息. 2019(09)
[2]一種多尺度CNN的圖像語義分割算法[J]. 劉丹,劉學軍,王美珍.  遙感信息. 2017(01)
[3]婦科疾病的種類及對女性的危害[J]. 楊萍.  中國保健營養(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.  中國婦幼保健. 2010(21)
[5]超聲造影評價高強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)學超聲雜志(電子版). 2010(01)
[6]醫(yī)學圖像處理技術(shù)綜述[J]. 周賢善.  福建電腦. 2009(01)
[7]圖像分析技術(shù)在醫(yī)學上的應(yīng)用[J]. 林曉,邱曉嘉.  包頭醫(yī)學院學報. 2005(03)

碩士論文
[1]基于語義分割的食管早癌計算機輔助診斷關(guān)鍵技術(shù)研究[D]. 杜笑笑.鄭州大學 2019
[2]基于深度語義分割網(wǎng)絡(luò)的路面狀態(tài)識別算法研究[D]. 梁曹佳.華中科技大學 2019
[3]基于深度學習的醫(yī)學圖像分割方法研究[D]. 王凱明.中國科學技術(shù)大學 2018
[4]基于深度學習的行人檢測系統(tǒng)的設(shè)計與實現(xiàn)[D]. 王立松.北京交通大學 2018



本文編號：3400332