腦腫瘤是由生長在大腦內(nèi)部癌細(xì)胞過度增長造成的,致死率很高。由于腦腫瘤具有形狀多樣、大小和位置不同的特點(diǎn),對醫(yī)生診斷腦腫瘤病情造成很大的難度。為了多角度分析腦腫瘤數(shù)據(jù),本文采用分辨率高、多參數(shù)成像的磁共振成像圖像作為我們的研究對象。同時,分割方法研究受到深度學(xué)習(xí)的影響進(jìn)一步發(fā)展,如基于圖像的閾值、邊緣分割方法等發(fā)展到基于深度卷積神經(jīng)網(wǎng)絡(luò)的分割算法,這些技術(shù)的進(jìn)步促進(jìn)了醫(yī)學(xué)人工智能領(lǐng)域的發(fā)展。腦腫瘤自動語義分割能夠幫助醫(yī)生分析病情、輔助診斷和制定后續(xù)手術(shù)計劃,因此提升腦腫瘤語義分割精度具有重要研究意義。研究中發(fā)現(xiàn)腦腫瘤語義分割精度受到模型設(shè)計以及樣本類別不平衡的影響,導(dǎo)致當(dāng)前研究方法存在分割精度有限和細(xì)粒度目標(biāo)分割困難的問題�；诖�,本論文進(jìn)行了以下三個方面的研究工作,闡述如下:1.研究采用全卷積網(wǎng)絡(luò)模型進(jìn)行腦腫瘤語義分割,提出了能夠有效減輕類別不平衡對腦腫瘤分割精度影響的新?lián)p失函數(shù)。該損失函數(shù)約束模型集中注意力學(xué)習(xí)困難樣本的有效特征,加快模型對樣本的學(xué)習(xí),從而提升模型的分類精度。實(shí)驗(yàn)結(jié)果證明,該方法對于提高腦腫瘤語義分割精度和分割效率是有效的。2.研究采用基于全卷積網(wǎng)絡(luò)的深度對抗模型提升... 

【文章來源】：重慶理工大學(xué)重慶市

【文章頁數(shù)】：72 頁

【學(xué)位級別】：碩士

【部分圖文】：

人工分割的腦腫瘤區(qū)域

重慶理工大學(xué)碩士學(xué)位論文16其中，圖3-1中黃色表示水腫區(qū)，紅色表示非增強(qiáng)腫瘤區(qū)，藍(lán)色表示增強(qiáng)腫瘤區(qū)，綠色表示壞死區(qū)。為了驗(yàn)證MRI圖像數(shù)據(jù)集中存在類別不平衡的情況，我們又分別統(tǒng)計了隨機(jī)抽取的MRI圖像腫瘤標(biāo)簽數(shù)據(jù)，結(jié)果如下圖所示：圖3-2正常組織和腦腫瘤病灶區(qū)對比圖3-3腦腫瘤病灶區(qū)各分類區(qū)域?qū)Ρ绕渲�，圖3-2展示了患者的腦腫瘤MRI圖像中占比達(dá)到97%正常組織與占比3%病灶區(qū)區(qū)域形成了明顯對比，正常組織是腦腫瘤病灶區(qū)的32.33倍左右。圖3-3腦腫瘤病灶區(qū)各分類區(qū)域?qū)Ρ缺硎灸X腫瘤內(nèi)部區(qū)域分類情況占比，其中水腫區(qū)占比54%，壞死區(qū)和非增強(qiáng)腫瘤區(qū)相比區(qū)域占比43%，而增強(qiáng)腫瘤區(qū)只有3%，三者之比為18.00:14.33:1.00,類內(nèi)不平衡的問題也普遍存在。類別不平衡嚴(yán)重影響腦腫瘤分割精度，對于算法的通用性和魯棒性檢測影響極大。因此，我們將研究損失函數(shù)來減輕類別不平衡對模型分類精度的影響。在腦腫瘤圖像語義分割實(shí)驗(yàn)評判標(biāo)準(zhǔn)中，通過比較以下三個區(qū)域的得分情況，判斷算法的性能。第一個區(qū)域，稱為整體腫瘤區(qū)（WholeTumorArea,WT），包含水腫區(qū)、增強(qiáng)腫瘤區(qū)、非增強(qiáng)腫瘤區(qū)和壞死區(qū)。第二個區(qū)域，稱為腫瘤核心區(qū)（TumorCoreArea,TC），包含非增強(qiáng)腫瘤區(qū)和壞死區(qū)。第三個區(qū)域則是稱為增強(qiáng)腫瘤區(qū)（EnhanceTumorArea,ET），僅包含增強(qiáng)腫瘤區(qū)。具體評價指標(biāo)，請看3.1.2章節(jié)。3.1.1.3數(shù)據(jù)集劃分我們采用的數(shù)據(jù)集是BraTS2018，其中包含來自19個醫(yī)療結(jié)構(gòu)的285例患者數(shù)據(jù)（210例高級膠質(zhì)瘤患者數(shù)據(jù)和75例低級膠質(zhì)瘤患者數(shù)據(jù)）。在BraTS2018數(shù)據(jù)集中，對于每例患者數(shù)據(jù)，包含四個模態(tài)（T1模態(tài)，T2模態(tài)，T1Gd模態(tài)和FLAIR模態(tài)），并且每個模態(tài)都包含155張患者切片圖像。我們試驗(yàn)觀察發(fā)現(xiàn)，患者切片中位于前四十五和后四十五張中有效信息很少?

重慶理工大學(xué)碩士學(xué)位論文16其中，圖3-1中黃色表示水腫區(qū)，紅色表示非增強(qiáng)腫瘤區(qū)，藍(lán)色表示增強(qiáng)腫瘤區(qū)，綠色表示壞死區(qū)。為了驗(yàn)證MRI圖像數(shù)據(jù)集中存在類別不平衡的情況，我們又分別統(tǒng)計了隨機(jī)抽取的MRI圖像腫瘤標(biāo)簽數(shù)據(jù)，結(jié)果如下圖所示：圖3-2正常組織和腦腫瘤病灶區(qū)對比圖3-3腦腫瘤病灶區(qū)各分類區(qū)域?qū)Ρ绕渲�，圖3-2展示了患者的腦腫瘤MRI圖像中占比達(dá)到97%正常組織與占比3%病灶區(qū)區(qū)域形成了明顯對比，正常組織是腦腫瘤病灶區(qū)的32.33倍左右。圖3-3腦腫瘤病灶區(qū)各分類區(qū)域?qū)Ρ缺硎灸X腫瘤內(nèi)部區(qū)域分類情況占比，其中水腫區(qū)占比54%，壞死區(qū)和非增強(qiáng)腫瘤區(qū)相比區(qū)域占比43%，而增強(qiáng)腫瘤區(qū)只有3%，三者之比為18.00:14.33:1.00,類內(nèi)不平衡的問題也普遍存在。類別不平衡嚴(yán)重影響腦腫瘤分割精度，對于算法的通用性和魯棒性檢測影響極大。因此，我們將研究損失函數(shù)來減輕類別不平衡對模型分類精度的影響。在腦腫瘤圖像語義分割實(shí)驗(yàn)評判標(biāo)準(zhǔn)中，通過比較以下三個區(qū)域的得分情況，判斷算法的性能。第一個區(qū)域，稱為整體腫瘤區(qū)（WholeTumorArea,WT），包含水腫區(qū)、增強(qiáng)腫瘤區(qū)、非增強(qiáng)腫瘤區(qū)和壞死區(qū)。第二個區(qū)域，稱為腫瘤核心區(qū)（TumorCoreArea,TC），包含非增強(qiáng)腫瘤區(qū)和壞死區(qū)。第三個區(qū)域則是稱為增強(qiáng)腫瘤區(qū)（EnhanceTumorArea,ET），僅包含增強(qiáng)腫瘤區(qū)。具體評價指標(biāo)，請看3.1.2章節(jié)。3.1.1.3數(shù)據(jù)集劃分我們采用的數(shù)據(jù)集是BraTS2018，其中包含來自19個醫(yī)療結(jié)構(gòu)的285例患者數(shù)據(jù)（210例高級膠質(zhì)瘤患者數(shù)據(jù)和75例低級膠質(zhì)瘤患者數(shù)據(jù)）。在BraTS2018數(shù)據(jù)集中，對于每例患者數(shù)據(jù)，包含四個模態(tài)（T1模態(tài)，T2模態(tài)，T1Gd模態(tài)和FLAIR模態(tài)），并且每個模態(tài)都包含155張患者切片圖像。我們試驗(yàn)觀察發(fā)現(xiàn)，患者切片中位于前四十五和后四十五張中有效信息很少?


本文編號：2967978