近年來(lái)隨著醫(yī)學(xué)設(shè)備的發(fā)展及成本的降低,醫(yī)學(xué)圖像分析在疾病診斷、診治方案策劃、病情監(jiān)測(cè)等方面起著重要的作用。其中醫(yī)學(xué)圖像分割作為醫(yī)學(xué)圖像分析和處理中的一個(gè)重要環(huán)節(jié)被廣泛關(guān)注和研究。腦圖像解剖區(qū)域的精確標(biāo)注對(duì)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(yàn)中,一般通過(guò)人工手動(dòng)的方式在腦圖像中標(biāo)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(fù)。近年來(lái),許多研究提出了自動(dòng)分割方法對(duì)腦圖像進(jìn)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(yīng)用。其主要的思想是將多個(gè)包含有手動(dòng)標(biāo)注腦區(qū)域標(biāo)簽的腦圖譜分別配準(zhǔn)到新的待分割腦圖像;配準(zhǔn)之后,每個(gè)腦圖譜中的解剖區(qū)域標(biāo)簽會(huì)傳播到該待分割的腦圖像中,最后通過(guò)標(biāo)簽融合得到最終的分割結(jié)果。顯然,圖像配準(zhǔn)在MAP中起著關(guān)鍵作用,但是配準(zhǔn)算法對(duì)圖像的質(zhì)量以及大腦結(jié)構(gòu)的個(gè)體差異非常敏感,而且配準(zhǔn)時(shí)間較長(zhǎng)。針對(duì)上述問(wèn)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(lái)提高自動(dòng)和魯棒的腦圖像區(qū)域分割。在該方法的GAN中,一個(gè)帶有多級(jí)特征跳級(jí)連接的3D FCN作為生成模型,一個(gè)3D卷積神經(jīng)網(wǎng)絡(luò)CNN(Convolutional Neural Networks)作為判別模型。實(shí)驗(yàn)結(jié)果表明,該方法中的GAN能實(shí)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(yàn)信息,本文對(duì)(1)中的生成模型進(jìn)行了改進(jìn)。通過(guò)將SENet(Squeeze-and-Excitation Networks)中的SE模塊整合到前一工作的GAN框架中,實(shí)現(xiàn)網(wǎng)絡(luò)自適應(yīng)地選擇對(duì)當(dāng)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(yù)先手動(dòng)選擇多圖譜所可能產(chǎn)生的誤差。實(shí)驗(yàn)結(jié)果顯示,該方法對(duì)于腦圖像的區(qū)域分割精度優(yōu)于(1)中方法。
【學(xué)位單位】：安徽大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2019
【中圖分類】：TP391.41;R318
【部分圖文】：

圖２．１邋１個(gè)個(gè)體３個(gè)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(gè)圖譜對(duì)待分割圖像進(jìn)行分割的過(guò)程。對(duì)于一個(gè)給逡逑定的待分割圖像即Ｒ標(biāo)圖像（Ｔａｒｇｅｔ邋Ｉｍａｇｅ），可以通過(guò)兩步對(duì)其進(jìn)行標(biāo)簽化：逡逑（１）使用圖像配準(zhǔn)算法，如：Ｂ－Ｓｐｌｉｎｅｔ４４域Ｄｉｆｆ．Ｄｅｍｏｎｓｔ４５］將圖譜中的灰度圖像逡逑配準(zhǔn)到目標(biāo)圖像空間中；（２邋）使用配準(zhǔn)后得到的形變場(chǎng)（Ｄｅｆｏｒｍａｔｉｏｎ邋Ｆｉｅｌｄ邋）將逡逑圖譜中標(biāo)簽圖像內(nèi)的標(biāo)簽（Ｌａｂｅｌ）傳播（Ｐｒｏｐａｇａｔｅ）到目標(biāo)圖像中的像素或者逡逑體素上，實(shí)現(xiàn)目標(biāo)圖像的區(qū)域分割。逡逑Ｕ標(biāo)圖像逡逑ｒｎ邐＾＿逡逑Ｉ邋Ａ邋１邐邐邋標(biāo)Ｊ逡逑ｊ邋？形變場(chǎng)邋一邐＾邐ＩＢｎＨ逡逑邐ｔＬｅＪ邋ｕ邋ＷＢｍ逡逑：邐標(biāo)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(huì)小于待提取特征信息的圖像或者網(wǎng)絡(luò)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(duì)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(duì)尺寸為５ｘ５的圖像進(jìn)行卷積。圖中左邊上下兩個(gè)矩陣分別是不同的兩逡逑個(gè)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(lái)表示，矩陣中的每個(gè)位置上的數(shù)字是圖像在該位置上的像素值。設(shè)卷積核的滑逡逑動(dòng)步長(zhǎng)為１且不填充邊緣。其中右邊上下兩個(gè)圖分別是通過(guò)ｋｅｒｎａｌ－１和ｋｅｒｎｅｌ－２逡逑對(duì)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(lán)色部分逡逑代表正在進(jìn)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(luò)框架丨２９】逡逑Ｆｉｇ．邋２．９邋Ａｒｃｈｉｔｅｃｔｕｒｅ邋ｏｆ邋Ｕ－Ｎｅｔ［２９】逡逑

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 黃玲;石玉秋;覃永新;;基于小波融合的蘋(píng)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(shí)與技術(shù);2019年05期

3 姚霆;張煒;劉金根;;基于深度學(xué)習(xí)的圖像分割技術(shù)[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(jì)學(xué)習(xí)理論的最小生成樹(shù)圖像分割準(zhǔn)則[J];武漢大學(xué)學(xué)報(bào)(信息科學(xué)版);2017年07期

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

7 鄧惠俊;;一種基于數(shù)據(jù)場(chǎng)的圖像分割方法與研究[J];長(zhǎng)春工程學(xué)院學(xué)報(bào)(自然科學(xué)版);2016年02期

8 李繼云;冀卿偉;;基于自適應(yīng)局部閾值的交互式圖像分割[J];計(jì)算機(jī)應(yīng)用與軟件;2014年11期

9 劉印;;對(duì)圖像分割方法的認(rèn)識(shí)及新進(jìn)展研究[J];數(shù)碼世界;2018年08期

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

相關(guān)會(huì)議論文 前10條

1 閆平昆;;基于模型的圖像分割技術(shù)及其醫(yī)學(xué)應(yīng)用[A];第十五屆全國(guó)圖象圖形學(xué)學(xué)術(shù)會(huì)議論文集[C];2010年

2 楊生友;;圖像分割在醫(yī)學(xué)圖像中應(yīng)用現(xiàn)狀綜述[A];2009中華醫(yī)學(xué)會(huì)影像技術(shù)分會(huì)第十七次全國(guó)學(xué)術(shù)大會(huì)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(guó)儀器儀表學(xué)會(huì)第十二屆青年學(xué)術(shù)會(huì)議論文集[C];2010年

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

5 張志會(huì);王華英;熊南燕;廖薇;成惠;劉飛飛;;對(duì)基于圖像分割與合并的相位展開(kāi)算法的改進(jìn)[A];第十屆全國(guó)光電技術(shù)學(xué)術(shù)交流會(huì)論文集[C];2012年

6 楊加文;謝鳳英;;基于深度學(xué)習(xí)的皮膚鏡圖像分割[A];第十五屆中國(guó)體視學(xué)與圖像分析學(xué)術(shù)會(huì)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(zhǎng)的圖像分割方法[A];第二十四屆中國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（研究報(bào)告篇）[C];2007年

8 劉智勇;李進(jìn);黃道君;;基于遺傳算法的視頻交通量檢測(cè)圖像分割方法[A];中國(guó)體視學(xué)學(xué)會(huì)圖像分析專業(yè)、中國(guó)體視學(xué)學(xué)會(huì)仿真與虛擬現(xiàn)實(shí)專業(yè)、中國(guó)航空學(xué)會(huì)信號(hào)與信息處理專業(yè)第一屆聯(lián)合學(xué)術(shù)會(huì)議論文集[C];2000年

9 張萍;單筱攸;巴成賀;;主動(dòng)脈圖像分割的研究與實(shí)現(xiàn)[A];第十二屆中國(guó)體視學(xué)與圖像分析學(xué)術(shù)會(huì)議論文集[C];2008年

10 趙建業(yè);余道衡;;一種基于模糊細(xì)胞神經(jīng)網(wǎng)絡(luò)的多值圖像分割新方法[A];中國(guó)體視學(xué)學(xué)會(huì)圖像分析專業(yè)、中國(guó)體視學(xué)學(xué)會(huì)仿真與虛擬現(xiàn)實(shí)專業(yè)、中國(guó)航空學(xué)會(huì)信號(hào)與信息處理專業(yè)第一屆聯(lián)合學(xué)術(shù)會(huì)議論文集[C];2000年

相關(guān)重要報(bào)紙文章 前1條

1 趙利利;圖像分割出新方法[N];中國(guó)科學(xué)報(bào);2019年

相關(guān)博士學(xué)位論文 前10條

1 古晶;基于稀疏特征學(xué)習(xí)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(xué);2016年

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

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

4 姜楓;基于語(yǔ)義識(shí)別的砂巖薄片圖像分割方法研究[D];南京大學(xué);2018年

5 趙曉麗;面向圖像分割的智能算法研究[D];上海大學(xué);2018年

6 倪波;高強(qiáng)度聚焦超聲圖像分割方法研究[D];武漢大學(xué);2016年

7 王森;非受限場(chǎng)景裂紋圖像分割方法研究[D];昆明理工大學(xué);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(xué);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(xué);2017年

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

相關(guān)碩士學(xué)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(xué);2018年

2 陳星;基于深度學(xué)習(xí)的心臟MR圖像分割方法研究[D];吉林大學(xué);2019年

3 宋森森;彩色圖像分割算法研究[D];新疆大學(xué);2019年

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

5 陳林翠;圖像分割技術(shù)在鉆孔圖像中的應(yīng)用[D];云南大學(xué);2018年

6 許崢崢;重疊巖畫(huà)分割算法研究與應(yīng)用[D];云南大學(xué);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(xué);2019年

8 馬巖;血細(xì)胞形態(tài)學(xué)檢驗(yàn)與識(shí)別技術(shù)研究[D];北方工業(yè)大學(xué);2019年

9 徐莉霞;基于Eclipse放療計(jì)劃系統(tǒng)的自動(dòng)勾畫(huà)技術(shù)的研究和分析[D];浙江工業(yè)大學(xué);2019年

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

本文編號(hào)：2826646