眾所周知,深度學習的方法已經(jīng)廣泛地被應用到圖像處理領域,其中以Unet為代表的全卷積網(wǎng)絡已被廣泛用于醫(yī)學圖像分割領域,它曾是2015年獲得ISBI細胞追蹤挑戰(zhàn)賽冠軍網(wǎng)絡。但是它在用于處理復雜的醫(yī)學圖像（例如腦部MRI）方面表現(xiàn)效果不佳。為了使用Unet的特性來實現(xiàn)更好的分割性能,許多研究人員對堆疊Unet給予了更多的關注。但是,存在兩個棘手的問題,其一,堆疊過程導致參數(shù)數(shù)量大大增加,在考慮精度和效率之間的權衡時,這并不是一個好的選擇。另一個更為棘手的問題是,隨著網(wǎng)絡深度的增加,會導致梯度消失和信息丟失的概率增大。為了解決這些問題,在本文中,我們試圖改進Unet的網(wǎng)絡結構,使其更適用于腦腫瘤圖像分割任務。首先構建了一個更適合堆疊的基礎塊SRNet,它是對原始Unet的改進,它在編碼和解碼過程中每一層級只進行1次卷積運算,保留了編碼和解碼之間的復制和裁剪的操作。SRNet的主要優(yōu)點是:與原始Unet相比,參數(shù)數(shù)量減少了4/5以上。其次,我們提出了在堆疊級聯(lián)網(wǎng)絡之間建立橋連接,我們試圖在堆疊級聯(lián)網(wǎng)絡內部建立一系列的“橋梁”,顯性且充分地利用網(wǎng)絡下采樣過程中所有可用的信息,它們不僅可以增強網(wǎng)絡... 

【文章來源】：電子科技大學四川省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：81 頁

【學位級別】：碩士

【部分圖文】：

腦MRI圖像

圖像去噪頻域去噪的算法原理是在頻域中去處理圖像，也就是說變換相應的系數(shù)后，在

直方圖雙峰法但有些時候，圖像中背景和物體的對比度很難處處相同，則上述普通閾值分割


本文編號：3082503