腫瘤嚴(yán)重地危害了居民的健康,現(xiàn)階段惡性腦腫瘤已經(jīng)成為我國居民死亡的主要原因之一。隨著現(xiàn)代成像技術(shù)的發(fā)展,尤其是磁共振影像技術(shù)為現(xiàn)代醫(yī)療的診斷與治療提供了巨大的幫助。腦腫瘤的磁共振影像分析,是醫(yī)生作出臨床診斷的重要依據(jù)。但是由于腦部腫瘤的形狀多樣性,位置不固定,結(jié)構(gòu)復(fù)雜以及在不同患者身上具有非常大的差異,給人工分割腦部腫瘤帶來了困難。人工分割腫瘤會(huì)非常的耗時(shí),而且會(huì)因?yàn)獒t(yī)生的個(gè)人經(jīng)驗(yàn)產(chǎn)生不同的分割效果,因此自動(dòng)分割腦部腫瘤的研究具有重要的應(yīng)用價(jià)值。近年來國內(nèi)外研究機(jī)構(gòu)在人工智能領(lǐng)域取得了眾多突破性的進(jìn)展,尤其是深度學(xué)習(xí)在學(xué)術(shù)界以及工業(yè)界得到了廣泛的應(yīng)用。以醫(yī)學(xué)圖像分割為例,基于深度學(xué)習(xí)的圖像分割方法不再需要人工去設(shè)計(jì)特征,而是由模型自己去學(xué)習(xí)數(shù)據(jù)中的深層信息,這樣可以加快診斷的速度與提升診斷的準(zhǔn)確度,可以避免因?yàn)槿藶橐蛩卦斐傻恼`診。針對以上問題和背景,本論文完成了如下工作:1.提出一種基于金字塔融合的U-Net分割模型。U-Net是醫(yī)療圖像分割領(lǐng)域經(jīng)典的模型,具有Encoder和Decoder兩部分,但是U-Net很難完整的分割出腫瘤的細(xì)節(jié)以及邊界部分。為了有效的捕捉腫瘤的細(xì)節(jié)信息,本論文...

【文章頁數(shù)】：82 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖２－１不同閾值的分割結(jié)果??第三步是根據(jù)第二步的閾值準(zhǔn)則確定最終的閾值，然后逐像素進(jìn)行劃分

定求取閾值的準(zhǔn)則，不同的閾值大小會(huì)得到不同的分割結(jié)果。閾值選取的較大，??部分目標(biāo)就會(huì)被劃分為背景區(qū)域。閾值選取的較小，背景信息就會(huì)留在目標(biāo)中。??如圖２－１所示：??８００????７００?－?Ｉ?｜??眺??０?５０?１００?１５０?２００?２５０??（ａ）原始圖像的灰度直方圖....

圖２－２卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)??卷積神經(jīng)網(wǎng)絡(luò)的整體模型包括輸入層，隱藏層，輸出層，圖中虛線部分是主體部??

２．２．１卷積神經(jīng)網(wǎng)絡(luò)概述??卷積神經(jīng)網(wǎng)絡(luò)主要由卷積層，池化層以及激活函數(shù)構(gòu)成，卷積神經(jīng)網(wǎng)絡(luò)的整??體結(jié)構(gòu)如圖２－２所示：??Ｉ?Ｉ??！?ＨＢ?Ｉ??ｌ??輸出??圖２－２卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)??卷積神經(jīng)網(wǎng)絡(luò)的整體模型包括輸入層，隱藏層，輸出層，圖中虛線部分是主體部??分，由卷積層....

圖２－３最大池化示意圖??

層主要是去除冗余的信息，減小圖像的尺寸，以減少網(wǎng)絡(luò)的計(jì)算量，防止過度擬??合。最常見的形式是Ｍａｘ?Ｐｏｏｌｉｎｇ尺寸為２Ｘ２，即在濾波器覆蓋的２Ｘ２區(qū)域中選??擇最大的像素值作為響應(yīng)。池化層的示意圖如圖２－３所示：??ｊ?５?：?６?；?７?８?：?２ｘ２?最大池化?ｉ?ｉ?６....

圖２－４?Ｓｉｇｍｏｉｄ函數(shù)與導(dǎo)數(shù)??Ｓｉｇｍｏｉｄ的導(dǎo)數(shù)范圍為０到０．２５

?（２－１９）??Ｓｉｇｍｏｉｄ的導(dǎo)數(shù)也是由Ｓ（ｚ）組成，在計(jì)算時(shí)還是非常方便的。Ｓｉｇｍｏｉｄ的函數(shù)與導(dǎo)??數(shù)曲線如圖２－４所示：??卞―「言—―１——１??。＋８．￣?ｒ￣：＾?￣??０６—卜￣￣￣?燦——一??Ｔ—￣＾?價(jià)??！?ｊ?］７?Ｖ?＇??０．０?－???ｆ?１?....

本文編號(hào)：4007673