在腦腫瘤中,神經膠質瘤是最為常見的腫瘤,也是最具侵略性的腫瘤,高等級的神經膠質瘤會致使病人不久于人世。因此,針對于腫瘤的治療計劃是提高腫瘤病人生活質量的重中之重。高級腫瘤是發(fā)生最為頻繁的首要腦部癌癥。每年有85%的新案例被診斷為惡性的高級腫瘤。MRI在腦腫瘤檢測和治療計劃中起著重要作用。特別是,精確地畫出腫瘤的可見滲出物的邊界輪廓能夠有效幫助量化病變尺寸和縱向數據的累計率。然而,被記錄下的非均勻介質的復雜的高等級腫瘤的形狀是能夠被獲得的,但由于它們的高擴散和增值率以及外觀的可變性,使得包括了所有完整的部分的腫瘤分割變得更具挑戰(zhàn)性。核磁共振成像在評估腫瘤應用中是極其有效的技術。使用神經影像技術來診斷腦腫瘤、檢測可見的以及不可見的腫瘤細胞滲透物的邊界,使得不同的腫瘤分割算法的出現(xiàn)產生了動機。由于記錄下的腫瘤的外觀和形狀有著強大的變異性,使得自動化分割變得十分困難。本論文中,為了分割病變的腫瘤,我們單獨訓練了卷積神經網絡和支持向量機兩個分類模型,并使用這兩個模型進行分割。隨著研究的深入,本文提出了一種基于卷積神經網絡遷移學習到支持向量機分類器的方法,同時捕捉它們完整的特征。我們的框架由兩個串... 

【文章來源】：山東師范大學山東省

【文章頁數】：56 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 選題背景及研究意義
    1.2 國內外研究現(xiàn)狀
    1.3 主要工作及創(chuàng)新點
第二章 基于卷積神經網絡的腦腫瘤圖像分割
    2.1 卷積神經網絡
    2.2 卷積神經網絡的基本組成部分
    2.3 卷積神經網絡的算法組成部分
        2.3.1 預處理
        2.3.2 激活函數
        2.3.3 池化
        2.3.4 規(guī)則化
        2.3.5 損失函數
        2.3.6 隨機梯度下降算法
    2.4 實驗設置及圖像分割
        2.4.1 分割的評估標準
        2.4.2 塊提取
        2.4.3 構建卷積神經網絡模型
        2.4.4 分割結果
第三章 基于支持向量機的腦腫瘤圖像分割
    3.1 支持向量機理論
        3.1.1 線性可分的最優(yōu)分類面
            3.1.1.1 廣義最優(yōu)分類面
            3.1.1.2 優(yōu)化求解
            3.1.1.3 構造判別函數
        3.1.2 線性不可分的最優(yōu)分類面
        3.1.3 核函數
    3.2 實驗分析與結論
        3.2.1 訓練樣本獲取
        3.2.2 分割參數選擇及其設置
        3.2.3 圖像分割結果
第四章 基于深層的CNN遷移學習到SVM的MRI腦腫瘤分割
    4.1 遷移學習
    4.2 深層的CNN遷移學習到SVM模型構建
    4.3 圖像分割及對比分析
第五章 工作總結與展望
參考文獻
攻讀碩士學位期間發(fā)表的學術論文
致謝


【參考文獻】：
博士論文
[1]基于支持向量機方法的圖像分割與目標分類[D]. 徐海祥.華中科技大學 2005

碩士論文
[1]基于支持向量機的醫(yī)學圖像分割[D]. 李漣鳳.蘭州大學 2010



本文編號：3172043