現(xiàn)階段惡性腫瘤是我國(guó)居民死亡的主要原因之一,其中腦腫瘤在人群中的發(fā)病率較高,腦膠質(zhì)瘤更是最常見(jiàn)的原發(fā)性腦腫瘤。隨著現(xiàn)代成像技術(shù)的不斷發(fā)展,尤其是MRI成像技術(shù),為我們?cè)u(píng)估腦腫瘤的情況和選擇治療方案提供了有利的幫助。腦腫瘤分割的精準(zhǔn)度更是醫(yī)生診斷患者病癥信息的關(guān)鍵。腦腫瘤結(jié)構(gòu)復(fù)雜、形狀多變、灰度不均勻以及在不同的患者身上表現(xiàn)出相當(dāng)大的差異性。人工分割MRI腦腫瘤圖像耗時(shí)耗力,并且常常會(huì)受到主觀差異的影響。由于以上原因,許多研究人員致力于開(kāi)發(fā)半自動(dòng)或自動(dòng)腦腫瘤分割方法。首先本文使用了一種基于超像素的分割方法。圖像預(yù)處理后采用超像素SLIC算法來(lái)進(jìn)行圖像分割,隨后從超像素塊中提取灰度統(tǒng)計(jì)特征和紋理特征。其中灰度統(tǒng)計(jì)特征包括均值、標(biāo)準(zhǔn)差、偏態(tài)和峰值等,紋理特征使用的是灰度共生矩陣和局部二進(jìn)制模式。最后使用SVM分類器用于將每個(gè)超像素塊分類為腫瘤區(qū)域或非腫瘤區(qū)域。然后本文又采用了一種基于全卷積神經(jīng)網(wǎng)絡(luò)的U-Net全自動(dòng)腦腫瘤分割方法。我們首先使用Elastic變換進(jìn)行數(shù)據(jù)增強(qiáng),初始化U-Net參數(shù)后,使用Adam優(yōu)化器來(lái)進(jìn)行學(xué)習(xí)優(yōu)化。通過(guò)參數(shù)構(gòu)建完全的U-Net網(wǎng)絡(luò),就可實(shí)現(xiàn)腦腫瘤的自動(dòng)分割。。最后本文采用了 DSC、Senstivity、Specificity作為統(tǒng)一的評(píng)價(jià)標(biāo)準(zhǔn)來(lái)比較兩種方法。雖然基于全卷積神經(jīng)網(wǎng)絡(luò)的U-net分割方法和基于超像素的分割方法最終都取得了令人滿意的結(jié)果,但是前者結(jié)果更為優(yōu)秀、方法更為先進(jìn)。本文提供的兩種方法,可以在無(wú)人工干預(yù)的情況下對(duì)患者腦腫瘤圖像產(chǎn)生特異性的分割,對(duì)診斷、治療具有臨床指導(dǎo)意義。
【學(xué)位單位】：山東大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2018
【中圖分類】：R739.41;TP391.41
【部分圖文】：

割方法［２５］。如果依照原理的角度來(lái)對(duì)超像素分類，我們可以將這些方法總結(jié)為基逡逑于圖論的分割方法和基于梯度下降的分割方法。這樣分類的好處就是十分的簡(jiǎn)單逡逑明了。超像素分類圖如圖３－１所示：逡逑－Ｎｃｕｔｓ逡逑ｚ，‘．■邋．Ｑ邋基于圖論的分ＳＪ邋Ｋ邐邋Ｇｒａｐｈ－Ｃｕｔ逡逑，一———一邋＼邐．逡逑／邐、Ｓｕｐｅｒｐｉｘｅｌ邋ｌａｔｔｉｃ逡逑Ｉ＾ＰＩ逡逑，邋Ｔｕｒｂｏｐｉｘｅｌ逡逑／逡逑＇．＇、爿基報(bào)朗卸盼割［．．．．．．．．．．．．．邋Ｓｅｅｄ逡逑、ｓｕｅ逡逑圖３－１超像素分割方法分類逡逑本章節(jié)簡(jiǎn)單的介紹幾種常用的超像素生成算法【２６］。逡逑（１）基于圖論的分割方法逡逑在計(jì)算機(jī)視覺(jué)領(lǐng)域中經(jīng)典的Ｎｃｕｔｓ分割算法就是基于圖論的分割方法。圖論逡逑的方法思想的核心是：首先把整幅圖像看作是一個(gè)完整的無(wú)向圖，假設(shè)圖像上的逡逑每個(gè)像素對(duì)應(yīng)圖中的一個(gè)頂點(diǎn)，然后有關(guān)聯(lián)的像素用邊連接。必須注意的是邊上逡逑１７逡逑

第４章卷積神經(jīng)網(wǎng)絡(luò)逡逑、［７邋如果ｖＭ逡逑＾邋＝邐ｎ邐（４－２）逡逑［０邐如果ｖ＜０逡逑這里我們可以很容易的觀察出閾值函數(shù)的性質(zhì)，該函數(shù)的最后的取值只能是逡逑０或者１，閾值函數(shù)的輸出并不可以隨著權(quán)值的變化而變化。逡逑（２）邋Ｓｉｇｍｏｉｄ函數(shù)：如圖４－２邋（ｂ）所示，數(shù)學(xué)表達(dá)式如公式（４－３）逡逑這里我們可以很容易的觀察出閾值函數(shù)的性質(zhì)，該函數(shù)的取值只能是０或者逡逑１，閾值函數(shù)的輸出并不可以隨著權(quán)值的變化而變化。逡逑ｆ（ｖ）邋＝邐邐邐邋（４－３）逡逑ｌ＋ｅｘｐ（－ａｖ）逡逑

表４－〗卷積層和池化層中圖像特征的處理流程對(duì)比逡逑卷積層邐ｍｍ逡逑Ｗｉｄｔｈ，Ｈｅｉｇｈｔ、Ｄｅｐｔｈ邐Ｗｉｄｔｈｌ、Ｈｅｉｇｈｔｌ、邐Ｄｅｐｔｈ邋１逡逑卷積核尺寸Ｆ步進(jìn)Ｓ，邐卷積核尺寸Ｆ逡逑卷積核個(gè)數(shù)Ｋ填充因子Ｐ邐步進(jìn)Ｓｔｒｉｄｅ逡逑Ｗｉｄｔｈ邋１、Ｈｅｉｇｈｔ邋１，邋Ｄｅｐｔｈ邋１邐Ｗｉｄｔｈ２，邋Ｈｅｉｇｈｔ２，邐Ｄｅｐｔｈ２逡逑卷積層使用的卷積核橫跨整個(gè)逡逑深度，池化層使用的卷積核只影逡逑響一個(gè)深度的節(jié)點(diǎn)逡逑１揭示了池化層和卷積層的處理流程的對(duì)比。池化層和卷積層的最大逡逑：卷積層使用的卷積核橫跨整個(gè)深度，池化層使用的卷積核只影響逡逑的節(jié)點(diǎn)。逡逑化和平均池化這是最為常見(jiàn)的池化方法。下圖４－７和下圖４－８解釋平均池化的池化過(guò)程。逡逑

【參考文獻(xiàn)】

相關(guān)期刊論文 前4條

1 王春瑤;陳俊周;李煒;;超像素分割算法研究綜述[J];計(jì)算機(jī)應(yīng)用研究;2014年01期

2 張坤毅;;核磁共振(MRI)的成像原理與臨床應(yīng)用[J];中國(guó)醫(yī)療設(shè)備;2008年05期

3 齊麗娜;張博;王戰(zhàn)凱;;最大類間方差法在圖像處理中的應(yīng)用[J];無(wú)線電工程;2006年07期

4 鮑宗泛,李紅華;關(guān)于圖像邊緣檢測(cè)的 Laplace算子的改進(jìn)[J];中國(guó)計(jì)量學(xué)院學(xué)報(bào);2000年02期

相關(guān)博士學(xué)位論文 前4條

1 肖陽(yáng);基于圖的醫(yī)學(xué)圖像分割方法研究[D];南方醫(yī)科大學(xué);2017年

2 鄧萬(wàn)凱;MRI圖像的腦腫瘤分割方法研究[D];華中科技大學(xué);2011年

3 王國(guó)勝;支持向量機(jī)的理論與算法研究[D];北京郵電大學(xué);2008年

4 范昕煒;支持向量機(jī)算法的研究及其應(yīng)用[D];浙江大學(xué);2003年

相關(guān)碩士學(xué)位論文 前6條

1 曹旭;基于SVM的黃金價(jià)格預(yù)測(cè)模型及其參數(shù)優(yōu)化[D];山東大學(xué);2017年

2 薛立洋;基于OpenCV2的精子形態(tài)學(xué)分析系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[D];山東大學(xué);2016年

3 陳鴻翔;基于卷積神經(jīng)網(wǎng)絡(luò)的圖像語(yǔ)義分割[D];浙江大學(xué);2016年

4 劉暢;MRI腦影像的深度卷積網(wǎng)絡(luò)分割和三維可視化[D];北京理工大學(xué);2016年

5 陳先昌;基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)算法與應(yīng)用研究[D];浙江工商大學(xué);2014年

6 謝鵬鶴;圖像閾值分割算法研究[D];湘潭大學(xué);2012年

本文編號(hào)：2823900