急性缺血性卒中是常見腦血管疾病腦中風(fēng)的一種,準(zhǔn)確地發(fā)現(xiàn)并及時治療缺血區(qū)域是降低患者殘疾和死亡風(fēng)險的關(guān)鍵。目前磁共振成像（MRI）是臨床診斷腦中風(fēng)最常用的方法,但急性缺血性卒中的病灶在MRI上存在邊界模糊、偽影較多、大小和位置多變的現(xiàn)象,導(dǎo)致影像專家對病灶的手動分割繁瑣耗時,從而出現(xiàn)誤診或漏診。傳統(tǒng)圖像分割方法中的部分關(guān)鍵參數(shù)由專業(yè)醫(yī)師根據(jù)自身經(jīng)驗確定,導(dǎo)致圖像分割結(jié)果不嚴(yán)謹(jǐn)且精度低。近年來,深度學(xué)習(xí)技術(shù)自動學(xué)習(xí)圖像特征的方法已得到廣泛應(yīng)用,該方法能夠有效地輔助醫(yī)生提高急性缺血性卒中的診斷準(zhǔn)確率。本文針對急性缺血性卒中的MRI圖像特征和基于深度學(xué)習(xí)的圖像分割技術(shù)開展研究,以提高急性缺血性卒中病灶的分割精度為目標(biāo),主要的研究工作和貢獻(xiàn)如下:1、構(gòu)造融合Cycle GAN的編碼器-解碼器分割模型。該模型的工作原理如下:生成對抗網(wǎng)絡(luò)Cycle GAN利用生成器和鑒別器實現(xiàn)急性缺血性卒中CT和MRI圖像的跨模態(tài)轉(zhuǎn)換,生成器通過對抗訓(xùn)練合成使鑒別器誤判為真實圖像的合成圖像,該合成圖像為編碼器和解碼器提供更豐富的語義信息。編碼器利用空洞空間金字塔池化操作融合圖像的高級語義信息,解碼器通過上采樣提取圖... 

【文章來源】：鄭州大學(xué)河南省211工程院校

【文章頁數(shù)】：71 頁

【學(xué)位級別】：碩士

【部分圖文】：

論文主要研究內(nèi)容

2圖像分割相關(guān)內(nèi)容研究11廣泛的應(yīng)用和發(fā)展。深度學(xué)習(xí)模型有三種深度結(jié)構(gòu)，分別為生成性深度結(jié)構(gòu)、區(qū)分性深度結(jié)構(gòu)以及混合型結(jié)構(gòu)[51]。其中生成性結(jié)構(gòu)包括受限玻爾茲曼機(jī)（RestrictedBoltzmannMachine,RBM）、深度玻爾茲曼機(jī)（DeepBoltzmannMachine,DBM）和深信度網(wǎng)絡(luò)（DeepBeliefNetwork,DBN）等；區(qū)分性深度結(jié)構(gòu)以卷積神經(jīng)網(wǎng)絡(luò)（ConvolutionalNeuralNetwork,CNN）為主要代表；混合型結(jié)構(gòu)將生成性深度結(jié)構(gòu)和區(qū)分性深度結(jié)構(gòu)相融合完成目標(biāo)任務(wù)。區(qū)分性深度結(jié)構(gòu)的CNN以無需人為干預(yù)、自動學(xué)習(xí)圖像特征并實現(xiàn)端到端的全自動圖像處理等優(yōu)勢得到了廣泛的應(yīng)用。圖2.2展示了本文語義分割算法的基本流程圖。由流程圖可以看出語義分割模型首先要在像素級上對急性缺血性卒中的DWI圖像進(jìn)行語義標(biāo)注，然后用已標(biāo)注DWI圖像和原始DWI圖像共同訓(xùn)練語義分割網(wǎng)絡(luò)模型。圖2.1DWI圖像中急性缺血性卒中病灶的各種形式

2圖像分割相關(guān)內(nèi)容研究12圖2.2語義分割算法流程2.2.1基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分割方法人們早在二十世紀(jì)80至90年代就開始了對卷積神經(jīng)網(wǎng)絡(luò)的研究，其中時間延遲網(wǎng)絡(luò)和LeNet-5為最早期CNN的典型代表。CNN根據(jù)仿造生物的視知覺（visualperception）原理構(gòu)造監(jiān)督學(xué)習(xí)和非監(jiān)督學(xué)習(xí)兩種類型的網(wǎng)絡(luò)。Fukushima等[52]在1980年首次提出自組織的多層神經(jīng)網(wǎng)絡(luò)模型Neocognitron，該模型做檢測任務(wù)時不受目標(biāo)圖像的位置、大小以及形狀變化的影響。1998年，Lecun等[53]在梯度反向傳播的基礎(chǔ)上提出LeNet-5網(wǎng)絡(luò)，該網(wǎng)絡(luò)在手寫字符識別領(lǐng)域取得了極大的成果。2012年，Krizhevsky等[54]提出的卷積神經(jīng)網(wǎng)絡(luò)AlexNet在大型圖像數(shù)據(jù)庫ImageNet的分類任務(wù)中取得冠軍。目前，CNN技術(shù)飛速發(fā)展，AlexNet和另一經(jīng)典網(wǎng)絡(luò)VGGNet[55]被廣泛應(yīng)用于計算機(jī)視覺、自然語言處理以及圖像處理等多種領(lǐng)域。下面給出基于CNN的急性缺血性卒中病灶分割算法流程：首先使用CNN網(wǎng)絡(luò)模型對訓(xùn)練樣本中的像素點或者圖像塊進(jìn)行灰度、紋理等特征的提�。唤�

【參考文獻(xiàn)】：
期刊論文
[1]圖像分割方法綜述[J]. 侯紅英,高甜,李桃.  電腦知識與技術(shù). 2019(05)
[2]醫(yī)學(xué)影像計算機(jī)輔助檢測與診斷系統(tǒng)綜述[J]. 鄭光遠(yuǎn),劉峽壁,韓光輝.  軟件學(xué)報. 2018(05)
[3]Brain MRI Segmentation Using KFCM and Chan-Vese Model[J]. 吳一全,侯雯,吳詩婳.  Transactions of Tianjin University. 2011(03)



本文編號：3612054