前列腺疾病是男性生殖系統(tǒng)中常見疾病。隨著我國居民生活水平的不斷提高,前列腺癌的發(fā)病率也逐漸增加。前列腺經(jīng)直腸超聲（transrectal ultrasound,TRUS）圖像由于具有廉價(jià)性、實(shí)時(shí)性、無損性和無輻射等優(yōu)點(diǎn),被廣泛應(yīng)用于前列腺疾病的預(yù)防、診斷和治療中。尤其是在前列腺癌的診斷和治療中,近距離放射治療、癌區(qū)定位和活檢針放置等現(xiàn)代臨床應(yīng)用的增多,對(duì)TRUS圖像中精確的前列腺自動(dòng)分割技術(shù)的需求日益增加。但是,實(shí)際臨床中主要采用醫(yī)生手動(dòng)分割的方法,不僅耗時(shí)費(fèi)力而且嚴(yán)重依賴醫(yī)生的經(jīng)驗(yàn)和能力。前列腺區(qū)域的快速、準(zhǔn)確和可重復(fù)性分割仍是一個(gè)具有挑戰(zhàn)性的問題。本文提出基于卷積神經(jīng)網(wǎng)絡(luò)（Convolution Neural Network,CNN）的前列腺TRUS圖像分割網(wǎng)絡(luò)ProNet。基于編碼器-解碼器結(jié)構(gòu),利用編碼器使用池化層逐漸縮減輸入數(shù)據(jù)的空間維度,解碼器通過反卷積層等網(wǎng)絡(luò)層逐步恢復(fù)目標(biāo)細(xì)節(jié)和相應(yīng)的空間維度。在編碼器階段,提出融合空洞卷積金字塔結(jié)構(gòu)（Fusion Atrous Spatial Pyramid Pooling,FASPP）,FASPP不僅能夠增大感受野,增加像素密度,而且... 

【文章來源】：天津工業(yè)大學(xué)天津市

【文章頁數(shù)】：77 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖１－１前列腺ＴＲＵＳ圖像??

??也不斷涌現(xiàn)，如圖１－２所示。??基于主動(dòng)輪廓梭型的分割??基于邊緣的分割??？?ｒ?基Ｔ？主動(dòng)形狀模項(xiàng)－的分割??廠基于輪廓和形狀的分割＾?？?［概豐－濾祕(mì)分割??＾堪于可變形模型的分割、?基于變形網(wǎng)格分割??ｒ?基于圖的分割??基Ｔ－Ｋ域的分割?丨?基于邊緣的水平集分割??＾基于區(qū)域水平集的分割??ｒ基于分類器的側(cè)??前列腺ＴＲＵＳ閣像分割－??叢于監(jiān)愾和非監(jiān)鍔分割??基ｔ？聚類的分割??基于浞合方法的分割??＿＇－基深度學(xué)習(xí)的分割??圖１－２前列腺ＴＲＵＳ圖像分割方法分類圖??１．２．１基于輪廓和形狀的分割??基于輪廓和形狀的分割方法通常是通過提取輪廓特征和形狀信息來分割前??列腺ＴＲＵＳ圖像。這種方法進(jìn)一步可以分為基于邊緣的方法，概率濾波的方法和??基于可變形模型的分割方法�；诳勺冃文Ｐ偷姆椒ㄟM(jìn)一步可分為主動(dòng)輪廓模型，??可變形網(wǎng)格，主動(dòng)形狀模型，基于水平集和基于曲線的分割。??１．基于邊緣的分割方法??利用Ｐｒｅｗｉｔｔ，Ｒｏｂｅｒｔ，Ｓｏｂｅｌ以及Ｃａｎｎｙ等梯度濾波器提取圖像邊緣是圖像??處理中的常用方法。由于噪聲的存在，梯度濾波器經(jīng)常檢測(cè)到錯(cuò)誤邊緣，并且檢??測(cè)到的邊緣經(jīng)常遭到破壞。所以必須設(shè)計(jì)需要大量計(jì)算的邊緣檢測(cè)算法來產(chǎn)生連??續(xù)的邊緣。在大多數(shù)情況下，需要將基于邊緣的算法與強(qiáng)度和紋理的信息相結(jié)合，??才能進(jìn)行準(zhǔn)確的分割。??在ＴＲＵＳ圖像中，基于邊緣信息的前列腺分割顯得尤為困難。傳統(tǒng)的邊緣檢??測(cè)濾波器由于ＴＲＵＳ圖形低對(duì)比度、大量的斑點(diǎn)和噪聲

一個(gè)激活卷積。主要使用三種類型的層來構(gòu)建ＣＮＮ網(wǎng)絡(luò)結(jié)構(gòu)：卷積層（Ｃｏｎｖ）、??池化層（Ｐｏｏｌ）和全連接層（ｆｕｌｌｙ?ｃｏｎｎｅｃｔｅｄ，?ＦＣ）。將這些層進(jìn)行堆疊構(gòu)成完整的網(wǎng)絡(luò)??結(jié)構(gòu)。如圖２－１所示。??■師截??Ｉｎｐｕｔ?Ｃｏｎｖ?Ｐｏｏｌ?Ｃｏｎｖ?Ｐｏｏｌ?ＦＣ?ＦＣ?Ｏｕｔｐｕｔ??圖２－１?ＣＮＮ基本結(jié)構(gòu)??２．２．１卷積層??卷積層是ＣＮＮ的核心部分，由一組可學(xué)習(xí)的濾波器組成，可以完成大部分??計(jì)算繁重的圖像特征提取工作。每個(gè)濾波在沿寬度和高度地空間上都很小，但可??１１??

【參考文獻(xiàn)】：
期刊論文
[1]基于特征學(xué)習(xí)框架的前列腺超聲圖像分割方法研究[J]. 黃建波,蔡迪明,羅燕.  生物醫(yī)學(xué)工程與臨床. 2018(06)
[2]改進(jìn)的分段主成分分析算法及其在前列腺分割中的應(yīng)用[J]. 宋建萍,石勇濤.  現(xiàn)代電子技術(shù). 2018(13)
[3]2014年中國分地區(qū)惡性腫瘤發(fā)病和死亡分析[J]. 陳萬青,孫可欣,鄭榮壽,張思維,曾紅梅,鄒小農(nóng),赫捷.  中國腫瘤. 2018(01)
[4]基于改進(jìn)主動(dòng)形狀模型的前列腺超聲圖像分割算法[J]. 畢卉,楊冠羽,唐慧,舒華忠.  東南大學(xué)學(xué)報(bào)(自然科學(xué)版). 2017(05)
[5]基于Zernike矩和水平集的超聲圖像分割[J]. 郭驍,楊冠羽,王征,舒華忠.  東南大學(xué)學(xué)報(bào)(自然科學(xué)版). 2015(02)
[6]基于先驗(yàn)概率和統(tǒng)計(jì)形狀的前列腺超聲圖像自動(dòng)分割方法[J]. 黃建波,倪東,汪天富.  生物醫(yī)學(xué)工程研究. 2015(01)
[7]醫(yī)學(xué)圖像分割綜述[J]. 趙志峰,張尤賽.  華東船舶工業(yè)學(xué)院學(xué)報(bào)(自然科學(xué)版). 2003(03)



本文編號(hào)：2943875