膠質(zhì)瘤是成年人中最常見的腦腫瘤之一,通過浸潤周圍組織生長的特點,可分為低級別膠質(zhì)瘤和高級別膠質(zhì)瘤（High Grade Gliomas,HGG）。HGG的侵入性強,死亡率高。臨床上治療膠質(zhì)瘤患者的技術(shù)手段主要是放射治療或化療。放療期間,為了保護周圍正常組織,放射科醫(yī)生需要對腫瘤區(qū)域進(jìn)行精準(zhǔn)的勾畫。為了幫助醫(yī)生進(jìn)行膠質(zhì)瘤的準(zhǔn)確診斷和治療規(guī)劃,在臨床實踐中需要一種準(zhǔn)確且自動的腫瘤分割方法。此外,放射性壞死是放射治療嚴(yán)重的并發(fā)癥之一。膠質(zhì)瘤復(fù)發(fā)和壞死在影像學(xué)上很難區(qū)分且治療方式完全不同,因此,在臨床上對膠質(zhì)瘤復(fù)發(fā)和壞死的分類顯得尤為重要。目前,卷積神經(jīng)網(wǎng)絡(luò)（Convolutional neural networks,CNNS）包括 2D 和3D CNNS是體積圖像分割的基礎(chǔ)。然而,大多數(shù)CNNS模型通過連續(xù)的卷積和池化操作導(dǎo)致語義信息的丟失。此外,2D卷積并不能充分利用三維空間信息,3D卷積計算成本高,GPU內(nèi)存消耗大。為了解決這些問題,我們提出了一種新的 2D-3D 分割網(wǎng)絡(luò)（Hybrid densely connected network,HD-Net）。HD-Net 包含2D部分和3D... 

【文章頁數(shù)】：90 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究背景及意義
    1.2 研究現(xiàn)狀
        1.2.1 分割算法的研究現(xiàn)狀
        1.2.2 膠質(zhì)瘤壞死與復(fù)發(fā)分類算法的研究現(xiàn)狀
    1.3 本文主要工作
        1.3.1 膠質(zhì)瘤分割算法研究
        1.3.2 膠質(zhì)瘤壞死與復(fù)發(fā)分類方法研究
    1.4 本文結(jié)構(gòu)框架
第二章 膠質(zhì)瘤分割算法研究
    2.1 數(shù)據(jù)預(yù)處理
    2.2 方法
        2.2.1 2D分割網(wǎng)絡(luò)
        2.2.2 DenseNet網(wǎng)絡(luò)框架
        2.2.3 Multi-scale信息模塊
        2.2.4 VAE模塊
        2.2.5 3D網(wǎng)絡(luò)
    2.3 訓(xùn)練和微調(diào)
第三章 膠質(zhì)瘤壞死與復(fù)發(fā)的分類方法研究
    3.1 數(shù)據(jù)樣本與MRI圖像
    3.2 方法概述
        3.2.1 圖像預(yù)處理
        3.2.2 特征提取
            3.2.2.1 手工特征提取
            3.2.2.2 深度特征提取
        3.2.3 單變量分析與多變量分析
第四章 實驗結(jié)果與討論
    4.1 膠質(zhì)瘤腫瘤區(qū)域分割實驗結(jié)果與討論
        4.1.1 膠質(zhì)瘤病灶區(qū)域分割實驗的執(zhí)行細(xì)節(jié)
        4.1.2 膠質(zhì)瘤病灶區(qū)域分割結(jié)果
        4.1.3 膠質(zhì)瘤病灶區(qū)域分割討論
    4.2 膠質(zhì)瘤復(fù)發(fā)與壞死分類結(jié)果與討論
        4.2.1 膠質(zhì)瘤壞死與復(fù)發(fā)分類實驗執(zhí)行細(xì)節(jié)
        4.2.2 膠質(zhì)瘤壞死與復(fù)發(fā)分類實驗結(jié)果
        4.2.3 膠質(zhì)瘤壞死與復(fù)發(fā)分類討論
第五章 總結(jié)與展望
    5.1 本文工作總結(jié)
    5.2 工作展望
參考文獻(xiàn)
附錄
攻讀學(xué)位期間成果
致謝



本文編號：3660635