近年來隨著醫(yī)學設備的發(fā)展及成本的降低,醫(yī)學圖像分析在疾病診斷、診治方案策劃、病情監(jiān)測等方面起著重要的作用。其中醫(yī)學圖像分割作為醫(yī)學圖像分析和處理中的一個重要環(huán)節(jié)被廣泛關注和研究。腦圖像解剖區(qū)域的精確標注對于核磁MR(Magnetic Resonance)腦圖像的定量分析起著重要的作用。在臨床試驗中,一般通過人工手動的方式在腦圖像中標注興趣區(qū)域,但這種方法效率低且分割結(jié)果大多不可重復。近年來,許多研究提出了自動分割方法對腦圖像進行分割。其中多圖譜圖像分割方法MAP(Multi-atlas based Brain Image Parcellation)是最成功的方法并被廣泛應用。其主要的思想是將多個包含有手動標注腦區(qū)域標簽的腦圖譜分別配準到新的待分割腦圖像;配準之后,每個腦圖譜中的解剖區(qū)域標簽會傳播到該待分割的腦圖像中,最后通過標簽融合得到最終的分割結(jié)果。顯然,圖像配準在MAP中起著關鍵作用,但是配準算法對圖像的質(zhì)量以及大腦結(jié)構(gòu)的個體差異非常敏感,而且配準時間較長。針對上述問題,本文提出一種使用全卷積神經(jīng)網(wǎng)FCN(Fully Convolutional Network)和多圖譜信息的MR腦圖像區(qū)域分割方法。提出了兩種基于FCN的MR腦圖像區(qū)域分割方法:(1)本文提出了一種人工選擇腦圖譜的GAN(Generative Adversarial Networks)來提高自動和魯棒的腦圖像區(qū)域分割。在該方法的GAN中,一個帶有多級特征跳級連接的3D FCN作為生成模型,一個3D卷積神經(jīng)網(wǎng)絡CNN(Convolutional Neural Networks)作為判別模型。實驗結(jié)果表明,該方法中的GAN能實現(xiàn)比MAP更加精確、魯棒和有效的腦圖像區(qū)域分割。(2)為了充分利用多圖譜中的先驗信息,本文對(1)中的生成模型進行了改進。通過將SENet(Squeeze-and-Excitation Networks)中的SE模塊整合到前一工作的GAN框架中,實現(xiàn)網(wǎng)絡自適應地選擇對當前待分割腦圖像最適合的多圖譜信息,消除了前一工作中預先手動選擇多圖譜所可能產(chǎn)生的誤差。實驗結(jié)果顯示,該方法對于腦圖像的區(qū)域分割精度優(yōu)于(1)中方法。
【學位單位】：安徽大學
【學位級別】：碩士
【學位年份】：2019
【中圖分類】：TP391.41;R318
【部分圖文】：

圖２．１邋１個個體３個視角的腦圖譜逡逑Ｆｉｇ．邋２．１邋Ｂｒａｉｎ邋ａｔｌａｓ邋ｏｆ邋ａｎ邋ｉｎｄｉｖｉｄｕａｌ邋ｆｒｏｍ邋ｔｈｒｅｅ邋ｖｉｅｗｓ逡逑如圖２．２所示，是使用單個圖譜對待分割圖像進行分割的過程。對于一個給逡逑定的待分割圖像即Ｒ標圖像（Ｔａｒｇｅｔ邋Ｉｍａｇｅ），可以通過兩步對其進行標簽化：逡逑（１）使用圖像配準算法，如：Ｂ－Ｓｐｌｉｎｅｔ４４域Ｄｉｆｆ．Ｄｅｍｏｎｓｔ４５］將圖譜中的灰度圖像逡逑配準到目標圖像空間中；（２邋）使用配準后得到的形變場（Ｄｅｆｏｒｍａｔｉｏｎ邋Ｆｉｅｌｄ邋）將逡逑圖譜中標簽圖像內(nèi)的標簽（Ｌａｂｅｌ）傳播（Ｐｒｏｐａｇａｔｅ）到目標圖像中的像素或者逡逑體素上，實現(xiàn)目標圖像的區(qū)域分割。逡逑Ｕ標圖像逡逑ｒｎ邐＾＿逡逑Ｉ邋Ａ邋１邐邐邋標Ｊ逡逑ｊ邋？形變場邋一邐＾邐ＩＢｎＨ逡逑邐ｔＬｅＪ邋ｕ邋ＷＢｍ逡逑：邐標閣像逡逑Ｊ邐Ｉ邐分割結(jié)果逡逑！逡逑邐！逡逑圖譜逡逑圖２．２基于單圖譜的腦圖像分割方法的基本流程圖逡逑Ｆｉｇ．邋２．２邋Ｂａｓｉｃ邋ｆｌｏｗ邋ｃｈａｒｔ邋ｏｆ邋ｔｈｅ邋ｓｉｎｇｌｅ邋ａｔｌａｓ邋ｂａｓｅｄ邋ｂｒａｉｎ邋ｉｍａｇｅ邋ｐａｒｃｅｌｌａｔｉｏｎ邋ｍｅｔｈｏｄ逡逑８逡逑

其大小一般會小于待提取特征信息的圖像或者網(wǎng)絡中間層中的特征映射（Ｆｅａｔｕｒｅ逡逑Ｍａｐ），而且不同的卷積核具有不同的權(quán)重值，所以每種卷積核可以對圖像或者逡逑特征映射提取出特定的局部特征信息。如圖２．７所示為使用尺寸均為３ｘ３的不同逡逑卷積核，對尺寸為５ｘ５的圖像進行卷積。圖中左邊上下兩個矩陣分別是不同的兩逡逑個卷積核ｋｅｒｎｅｌ－１和ｋｅｍｅｌ－２。中間是待提取特征的圖像，該圖像用像素值矩陣逡逑來表示，矩陣中的每個位置上的數(shù)字是圖像在該位置上的像素值。設卷積核的滑逡逑動步長為１且不填充邊緣。其中右邊上下兩個圖分別是通過ｋｅｒｎａｌ－１和ｋｅｒｎｅｌ－２逡逑對待提取特征的圖像提取特征之后的結(jié)果，即ｒｅｓｕｌｔ－１和ｒｅｓｕｌｔ－２。其中藍色部分逡逑代表正在進行卷積操作的圖像塊和卷積結(jié)果。逡逑１５逡逑

圖２．９邋Ｕ－Ｎｅｔ網(wǎng)絡框架丨２９】逡逑Ｆｉｇ．邋２．９邋Ａｒｃｈｉｔｅｃｔｕｒｅ邋ｏｆ邋Ｕ－Ｎｅｔ［２９】逡逑

【相似文獻】

相關期刊論文 前10條

1 黃玲;石玉秋;覃永新;;基于小波融合的蘋果圖像分割的研究[J];科技視界;2018年29期

2 侯紅英;高甜;李桃;;圖像分割方法綜述[J];電腦知識與技術;2019年05期

3 姚霆;張煒;劉金根;;基于深度學習的圖像分割技術[J];人工智能;2019年02期

4 丁翠;;基于模糊信息處理的圖像分割方法研究[J];信息系統(tǒng)工程;2017年11期

5 王平;魏征;崔衛(wèi)紅;林志勇;;一種基于統(tǒng)計學習理論的最小生成樹圖像分割準則[J];武漢大學學報(信息科學版);2017年07期

6 李然;李記鵬;宋超;;基于顯著性檢測的協(xié)同圖像分割研究[J];現(xiàn)代計算機(專業(yè)版);2017年24期

7 鄧惠俊;;一種基于數(shù)據(jù)場的圖像分割方法與研究[J];長春工程學院學報(自然科學版);2016年02期

8 李繼云;冀卿偉;;基于自適應局部閾值的交互式圖像分割[J];計算機應用與軟件;2014年11期

9 劉印;;對圖像分割方法的認識及新進展研究[J];數(shù)碼世界;2018年08期

10 楊成佳;;唇紋識別圖像分割系統(tǒng)的研究[J];山西青年;2017年11期

相關會議論文 前10條

1 閆平昆;;基于模型的圖像分割技術及其醫(yī)學應用[A];第十五屆全國圖象圖形學學術會議論文集[C];2010年

2 楊生友;;圖像分割在醫(yī)學圖像中應用現(xiàn)狀綜述[A];2009中華醫(yī)學會影像技術分會第十七次全國學術大會論文集[C];2009年

3 朱士蓉;謝昭;高雋;;一種圖模型下的柔性圖像分割方法[A];中國儀器儀表學會第十二屆青年學術會議論文集[C];2010年

4 朱松豪;劉佳偉;羅青青;胡榮林;;基于關聯(lián)模型的圖像分割[A];第26屆中國控制與決策會議論文集[C];2014年

5 張志會;王華英;熊南燕;廖薇;成惠;劉飛飛;;對基于圖像分割與合并的相位展開算法的改進[A];第十屆全國光電技術學術交流會論文集[C];2012年

6 楊加文;謝鳳英;;基于深度學習的皮膚鏡圖像分割[A];第十五屆中國體視學與圖像分析學術會議論文集[C];2017年

7 郭世可;董槐林;龍飛;張海波;;一種結(jié)合密度聚類和區(qū)域生長的圖像分割方法[A];第二十四屆中國數(shù)據(jù)庫學術會議論文集（研究報告篇）[C];2007年

8 劉智勇;李進;黃道君;;基于遺傳算法的視頻交通量檢測圖像分割方法[A];中國體視學學會圖像分析專業(yè)、中國體視學學會仿真與虛擬現(xiàn)實專業(yè)、中國航空學會信號與信息處理專業(yè)第一屆聯(lián)合學術會議論文集[C];2000年

9 張萍;單筱攸;巴成賀;;主動脈圖像分割的研究與實現(xiàn)[A];第十二屆中國體視學與圖像分析學術會議論文集[C];2008年

10 趙建業(yè);余道衡;;一種基于模糊細胞神經(jīng)網(wǎng)絡的多值圖像分割新方法[A];中國體視學學會圖像分析專業(yè)、中國體視學學會仿真與虛擬現(xiàn)實專業(yè)、中國航空學會信號與信息處理專業(yè)第一屆聯(lián)合學術會議論文集[C];2000年

相關重要報紙文章 前1條

1 趙利利;圖像分割出新方法[N];中國科學報;2019年

相關博士學位論文 前10條

1 古晶;基于稀疏特征學習的SAR圖像分割與半監(jiān)督分類方法研究[D];西安電子科技大學;2016年

2 段一平;基于層次視覺計算和統(tǒng)計模型的SAR圖像分割與理解[D];西安電子科技大學;2017年

3 胡佩君;腹部CT圖像分割的可計算建模方法研究[D];浙江大學;2018年

4 姜楓;基于語義識別的砂巖薄片圖像分割方法研究[D];南京大學;2018年

5 趙曉麗;面向圖像分割的智能算法研究[D];上海大學;2018年

6 倪波;高強度聚焦超聲圖像分割方法研究[D];武漢大學;2016年

7 王森;非受限場景裂紋圖像分割方法研究[D];昆明理工大學;2017年

8 王濤;特征度量與信息傳遞的交互式圖論分割方法研究[D];南京理工大學;2017年

9 戴令正;自然圖像分割的若干算法研究[D];南京理工大學;2017年

10 李鋼;偏微分方程與變分技術在圖像分割中的應用研究[D];太原理工大學;2018年

相關碩士學位論文 前10條

1 張濤;腦部腫瘤CT圖像分割方法研究[D];西南科技大學;2018年

2 陳星;基于深度學習的心臟MR圖像分割方法研究[D];吉林大學;2019年

3 宋森森;彩色圖像分割算法研究[D];新疆大學;2019年

4 張曉林;基于卷積神經(jīng)網(wǎng)絡的腹部CT圖像分割[D];江蘇大學;2019年

5 陳林翠;圖像分割技術在鉆孔圖像中的應用[D];云南大學;2018年

6 許崢崢;重疊巖畫分割算法研究與應用[D];云南大學;2018年

7 劉先麗;基于FCN和多圖譜信息的腦圖像分割研究[D];安徽大學;2019年

8 馬巖;血細胞形態(tài)學檢驗與識別技術研究[D];北方工業(yè)大學;2019年

9 徐莉霞;基于Eclipse放療計劃系統(tǒng)的自動勾畫技術的研究和分析[D];浙江工業(yè)大學;2019年

10 汪兆明;基于卷積神經(jīng)網(wǎng)絡的前列腺TRUS圖像分割方法研究[D];天津工業(yè)大學;2019年

本文編號：2826646