核磁共振(magnetic resonance imaging,MRI)成像是目前醫(yī)學影像中重要的一種成像技術,能為腦腫瘤的臨床診斷和治療提供清晰的圖像顯示。臨床上通常采用手動標定方法分割腦腫瘤區(qū)域,該方法耗時費力,且具有很大的主觀性。因此,如何實現(xiàn)MRI腦腫瘤圖像的自動分割成為近年來研究的熱點和難點。本文將深度學習中的卷積神經(jīng)網(wǎng)絡模型應用在腦腫瘤分割領域,達到了良好的分割效果。(1)提出一種結(jié)合卷積神經(jīng)網(wǎng)絡(convolution neural network,CNN)和模糊系統(tǒng)的腦腫瘤分割算法。首先,分別針對FLAIR和T2兩種類型的單模態(tài)圖像,構(gòu)建適用于該類型圖像的卷積神經(jīng)網(wǎng)絡。其次,針對FLAIR和T2圖像,分別應用其對應的卷積神經(jīng)網(wǎng)絡模型進行預測,并將得到的預測概率通過非線性映射進行處理。最終,構(gòu)建模糊推理系統(tǒng),將FLAIR和T2圖像經(jīng)過非線性映射后的概率作為模糊推理系統(tǒng)的輸入來判斷該像素點是否屬于腫瘤區(qū)域。(2)針對卷積神經(jīng)網(wǎng)絡具有的缺點,提出一種基于改進的全卷積神經(jīng)網(wǎng)絡(fully convolution network,FCN)的腦腫瘤分割算法。首先,將FlAIR、T1... 

【文章來源】：天津大學天津市 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：59 頁

【學位級別】：碩士

【部分圖文】：

輸入輸出關系圖

圖 5-6 三種全卷積神經(jīng)網(wǎng)絡模型分割結(jié)果比較結(jié)果圖表 5-1 三種 FCN 模型分割比較結(jié)果方法 DSC Sensitivity PositiveFCN-32s 0.75 0.73 0.77

【參考文獻】：
期刊論文
[1]基于深度學習的頸動脈超聲圖像內(nèi)中膜厚度測量[J]. 孫萍,李鏘,關欣,滕建輔.  國際生物醫(yī)學工程雜志. 2016 (05)
[2]改進粒子群優(yōu)化的分段在線盲信號分離算法[J]. 王哲,張立毅,陳雷,李鏘.  計算機科學與探索. 2017(03)
[3]A Survey of MRI-Based Brain Tumor Segmentation Methods[J]. Jin Liu,Min Li,Jianxin Wang,Fangxiang Wu,Tianming Liu,Yi Pan.  Tsinghua Science and Technology. 2014(06)
[4]基于多模態(tài)3D-CNNs特征提取的MRI腦腫瘤分割方法[J]. 羅蔓,黃靖,楊豐.  科學技術與工程. 2014(31)
[5]基于MRI的腦腫瘤分割技術研究進展[J]. 萬俊,聶生東,王遠軍.  中國醫(yī)學物理學雜志. 2013(04)
[6]基于水平集的三維腦部腫瘤分割[J]. 薛曉君,張立強,薛忠,楊建華.  計算機技術與發(fā)展. 2010(12)
[7]Chan-Vese模型下的腦腫瘤圖像分割方法[J]. 許存祿,高佳,武國德.  計算機工程與應用. 2010(09)



本文編號：2934314