隨著計算機數(shù)據(jù)處理能力的加快和人工智能技術(shù)的成熟,醫(yī)生越來越多地使用數(shù)字圖像來進行輔助診斷治療,其中X光檢查是一種有效篩查疾病的傳統(tǒng)方法,它在診斷治療的不同階段使用,包括骨折診斷治療、評價骨骼成熟度、骨密度測量和手術(shù)前的治療計劃等。X線片中骨組織的分割是計算機輔助預后、外科手術(shù)和治療的主要步驟,但是因為醫(yī)學成像技術(shù)的限制和成像物體的特殊性,以及醫(yī)學圖像固有的特點,如灰度不均勻、影像相互重疊、噪聲大且邊界模糊等,使醫(yī)學圖像的分割充滿挑戰(zhàn)。目前X線片骨組織的分割主要靠醫(yī)生手工標記,不僅耗時耗力而且分割結(jié)果難以復現(xiàn),準確率不穩(wěn)定。基于此,本文的主要工作如下:1、以股骨為研究對象,針對目前X線片骨組織分割不能自動化的問題以及U-Net網(wǎng)絡在股骨分割中出現(xiàn)網(wǎng)絡退化問題的不足,本文提出了一種新的深度神經(jīng)網(wǎng)絡R-U-Net。它結(jié)合了深度殘差網(wǎng)絡和U-Net架構(gòu)的優(yōu)勢,使用殘差單元代替普通的神經(jīng)單元作為基本的塊,殘差單元內(nèi)部的跳躍連接和R-U-Net網(wǎng)絡的編解碼路徑有利于信息的前向傳播和后向計算,不僅可以簡化訓練,使網(wǎng)絡參數(shù)僅占U-Net的四分之一,而且能夠最大程度地提升網(wǎng)絡性能。2、設計并實現(xiàn)了股骨區(qū)域自動分割框架,將提出的R-U-Net神經(jīng)網(wǎng)絡應用于股骨區(qū)域自動分割。橫向可分為神經(jīng)網(wǎng)絡訓練階段和批量自動分割階段兩個主要部分,縱向可分為數(shù)據(jù)預處理、神經(jīng)網(wǎng)絡訓練與測試和圖像后處理三個主要部分。首先對原圖像預處理后標注目標區(qū)域制作標簽圖,并對訓練集進行數(shù)據(jù)增強;接著將其輸入到R-U-Net神經(jīng)網(wǎng)絡充分訓練調(diào)參,保存優(yōu)化后的網(wǎng)絡模型;最后將待分割的測試圖像輸入到保存的網(wǎng)絡模型中得到股骨區(qū)域的輪廓,填充連通區(qū)域后進行自定義掩碼操作得到股骨區(qū)域的分割結(jié)果,實現(xiàn)了端到端X線片股骨的完全自動化分割。3、分別基于U-Net和R-U-Net神經(jīng)網(wǎng)絡實現(xiàn)了股骨區(qū)域的自動分割。將預處理好的數(shù)據(jù)集在U-Net和R-U-Net神經(jīng)網(wǎng)絡上分別進行訓練和測試,對比其訓練收斂過程可以看出,本文提出的R-U-Net神經(jīng)網(wǎng)絡改善了原始U-Net的不足,在股骨分割網(wǎng)絡模型的訓練上表現(xiàn)得更加優(yōu)異。將最優(yōu)的模型分別保存下來,著重使用醫(yī)學圖像分割中常用的五個度量指標來定量的評價基于U-Net和基于R-U-Net神經(jīng)網(wǎng)絡的股骨區(qū)域自動分割方法,以PhotoShop人工分割結(jié)果作為參考,實驗結(jié)果表明,基于R-U-Net神經(jīng)網(wǎng)絡的方法在保證分割速度的同時,分割結(jié)果與參考結(jié)果十分接近,具有較高的準確性,且基于R-U-Net神經(jīng)網(wǎng)絡的股骨區(qū)域自動分割效果不同程度的優(yōu)于其他兩種先進的圖像分割方法,執(zhí)行效率更高,分割效果更佳。
【學位單位】：西安郵電大學
【學位級別】：碩士
【學位年份】：2019
【中圖分類】：TP18;TP391.41;R318
【部分圖文】：

1 1 26 7 8453 2 12 3 401Max pooling2*2 filtersStride 236 84圖 2.3 池化操作）來表示池化層的運算：1( ( ) )l l l lj j j jy down y b 的第 j 張?zhí)卣鲌D， 是指激活函數(shù)，lj 是指本層的乘性ljb 是指本層的加性偏置。常作為最后一層，被用來編碼位置相關(guān)的信息和更全局經(jīng)網(wǎng)絡的連接方式一樣，前后層所有節(jié)點兩兩連接到一一起形成全局特征做特征映射，轉(zhuǎn)化為一維特征向量，對應相加，最后用分類器或回歸的方法取得最終的結(jié)果。

圖 3.5 Sigmoid 函數(shù)圖像 圖 3.6 Tanh 函數(shù)圖像圖 3.7 ReLU 函數(shù)圖像在激活區(qū)域（ x 0），ReLU 導數(shù)為 1，在非激活區(qū)域（ x 0），導數(shù)是以不會在錯誤信號傳遞時將其改變，對于激活函數(shù)來說，這似乎是一個奇怪的選為它在 0 處是不可微的。實際上，在零點處的不可微是無關(guān)緊要的，因為神經(jīng)網(wǎng)在實數(shù)中工作的，它在任何時刻都不太可能正好處在 x =0處，在 處的導數(shù)我

圖 3.5 Sigmoid 函數(shù)圖像 圖 3.6 Tanh 函數(shù)圖像圖 3.7 ReLU 函數(shù)圖像在激活區(qū)域（ x 0），ReLU 導數(shù)為 1，在非激活區(qū)域（ x 0），導數(shù)是以不會在錯誤信號傳遞時將其改變，對于激活函數(shù)來說，這似乎是一個奇怪的選為它在 0 處是不可微的。實際上，在零點處的不可微是無關(guān)緊要的，因為神經(jīng)網(wǎng)在實數(shù)中工作的，它在任何時刻都不太可能正好處在 x =0處，在 處的導數(shù)我

【相似文獻】

相關(guān)期刊論文 前10條

1 胡悅;;金融市場中的神經(jīng)網(wǎng)絡拐點預測法[J];金融經(jīng)濟;2017年18期

2 李青華;李翠平;張靜;陳紅;王紹卿;;深度神經(jīng)網(wǎng)絡壓縮綜述[J];計算機科學;2019年09期

3 遲惠生;陳珂;;1995年世界神經(jīng)網(wǎng)絡大會述評[J];國際學術(shù)動態(tài);1996年01期

4 吳立可;;脈沖神經(jīng)網(wǎng)絡和行為識別[J];通訊世界;2018年12期

5 林嘉應;鄭柏倫;劉捷;;基于卷積神經(jīng)網(wǎng)絡的船舶分類模型[J];信息技術(shù)與信息化;2019年02期

6 俞頌華;;卷積神經(jīng)網(wǎng)絡的發(fā)展與應用綜述[J];信息通信;2019年02期

7 韓真;凱文·哈特尼特;;為神經(jīng)網(wǎng)絡的通用理論建造基石[J];世界科學;2019年04期

8 鮑偉強;陳娟;熊濤;;基于進化神經(jīng)網(wǎng)絡的短期電力負荷預測研究[J];電工技術(shù);2019年11期

9 陳曉燕;;淺析簡單神經(jīng)網(wǎng)絡的發(fā)展及簡單模型[J];數(shù)字技術(shù)與應用;2019年05期

10 王麗華;楊秀萍;王皓;高崢翔;;智能雙輪平衡車的設計研究[J];數(shù)字技術(shù)與應用;2018年04期

相關(guān)會議論文 前10條

1 孫軍田;張U

本文編號：2822144