在腦腫瘤中,神經(jīng)膠質(zhì)瘤是最為常見(jiàn)的腫瘤,也是最具侵略性的腫瘤,高等級(jí)的神經(jīng)膠質(zhì)瘤會(huì)致使病人不久于人世。因此,針對(duì)于腫瘤的治療計(jì)劃是提高腫瘤病人生活質(zhì)量的重中之重。高級(jí)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(jí)腫瘤。MRI在腦腫瘤檢測(cè)和治療計(jì)劃中起著重要作用。特別是,精確地畫(huà)出腫瘤的可見(jiàn)滲出物的邊界輪廓能夠有效幫助量化病變尺寸和縱向數(shù)據(jù)的累計(jì)率。然而,被記錄下的非均勻介質(zhì)的復(fù)雜的高等級(jí)腫瘤的形狀是能夠被獲得的,但由于它們的高擴(kuò)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(píng)估腫瘤應(yīng)用中是極其有效的技術(shù)。使用神經(jīng)影像技術(shù)來(lái)診斷腦腫瘤、檢測(cè)可見(jiàn)的以及不可見(jiàn)的腫瘤細(xì)胞滲透物的邊界,使得不同的腫瘤分割算法的出現(xiàn)產(chǎn)生了動(dòng)機(jī)。由于記錄下的腫瘤的外觀和形狀有著強(qiáng)大的變異性,使得自動(dòng)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(dú)訓(xùn)練了卷積神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)兩個(gè)分類(lèi)模型,并使用這兩個(gè)模型進(jìn)行分割。隨著研究的深入,本文提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)遷移學(xué)習(xí)到支持向量機(jī)分類(lèi)器的方法,同時(shí)捕捉它們完整的特征。我們的框架由兩個(gè)串... 

【文章來(lái)源】：山東師范大學(xué)山東省

【文章頁(yè)數(shù)】：56 頁(yè)

【學(xué)位級(jí)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(guó)內(nèi)外研究現(xiàn)狀
    1.3 主要工作及創(chuàng)新點(diǎn)
第二章 基于卷積神經(jīng)網(wǎng)絡(luò)的腦腫瘤圖像分割
    2.1 卷積神經(jīng)網(wǎng)絡(luò)
    2.2 卷積神經(jīng)網(wǎng)絡(luò)的基本組成部分
    2.3 卷積神經(jīng)網(wǎng)絡(luò)的算法組成部分
        2.3.1 預(yù)處理
        2.3.2 激活函數(shù)
        2.3.3 池化
        2.3.4 規(guī)則化
        2.3.5 損失函數(shù)
        2.3.6 隨機(jī)梯度下降算法
    2.4 實(shí)驗(yàn)設(shè)置及圖像分割
        2.4.1 分割的評(píng)估標(biāo)準(zhǔn)
        2.4.2 塊提取
        2.4.3 構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)模型
        2.4.4 分割結(jié)果
第三章 基于支持向量機(jī)的腦腫瘤圖像分割
    3.1 支持向量機(jī)理論
        3.1.1 線性可分的最優(yōu)分類(lèi)面
            3.1.1.1 廣義最優(yōu)分類(lèi)面
            3.1.1.2 優(yōu)化求解
            3.1.1.3 構(gòu)造判別函數(shù)
        3.1.2 線性不可分的最優(yōu)分類(lèi)面
        3.1.3 核函數(shù)
    3.2 實(shí)驗(yàn)分析與結(jié)論
        3.2.1 訓(xùn)練樣本獲取
        3.2.2 分割參數(shù)選擇及其設(shè)置
        3.2.3 圖像分割結(jié)果
第四章 基于深層的CNN遷移學(xué)習(xí)到SVM的MRI腦腫瘤分割
    4.1 遷移學(xué)習(xí)
    4.2 深層的CNN遷移學(xué)習(xí)到SVM模型構(gòu)建
    4.3 圖像分割及對(duì)比分析
第五章 工作總結(jié)與展望
參考文獻(xiàn)
攻讀碩士學(xué)位期間發(fā)表的學(xué)術(shù)論文
致謝


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

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



本文編號(hào)：3172043