醫(yī)學圖像在定量研究和醫(yī)學診斷中起著至關重要作用,而當前對CT,MRI,X光等醫(yī)療影像分析主要還是依靠人工交互式進行,這種方式在臨床環(huán)境下效率一直都相對較低,在患者就醫(yī)的高峰期十分容易出現延誤治療最佳時機的情況。目前針對CT,X光的自動圖像分割已經有了很多研究成果,但是目前主流分割方法一方面容易導致信息的冗余使用,類似的低層次特征在多個尺度上被多次提取。另一方面,長期的特征依賴沒有有效地建模,導致與每個語義類相關的非最佳鑒別特征表示。以及網絡過于龐大導致語義分割不管是在存儲上還是在速度以上與工業(yè)化應用有一定差距。論文通過基于自注意機制來捕獲更豐富的上下文依賴關系以減少冗余提高效果,進行模型的壓縮提速以便模型在邊緣設備上運行。針對肺部氣胸數據進行分割問題,借鑒U-Net這樣的已經成為醫(yī)學圖像分割領域的常用全卷積神經網絡,探索了一種能夠集成本地特性及其相應的全局依賴關系,并以自適應的方式突出相互依賴的映射的方法。通過強調相關的特征關聯以加強不同模塊之間的額外損失,引導注意機制忽略無關信息,聚焦于圖像中更多的鑒別區(qū)域。其次針對分割模型過于龐大以至于工業(yè)部署困難的問題,基于在深度可分卷積的基礎上... 

【文章來源】：海南大學海南省 211工程院校

【文章頁數】：67 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究背景及意義
    1.2 研究現狀
    1.3 本文的研究內容
    1.4 本章小結
2 卷積神經網絡和相關技術
    2.1 卷積神經網絡概念
    2.2 語義分割網絡結構設計
        2.2.1 FCN
        2.2.2 Deep Lab系列
        2.2.3 U-Net
    2.3 本章小結
3 分割網絡結構構建與訓練
    3.1 多尺度方法的重構
        3.1.1 多尺度注意力特征圖
        3.1.2 空間和通道自我關注模塊
    3.2 Backbone
    3.3 模型訓練與微調
        3.3.1 數據集
        3.3.2 模型訓練策略
        3.3.3 評估方法
    3.4 結果分析
    3.5 本章小結
4 分割模型的剪枝與壓縮算法
    4.1 模型剪枝概念
    4.2 模型剪枝方法
    4.3 模型剪枝實施
    4.4 本章小結
5 分割模型的量化與部署實現
    5.1 模型量化的目標
    5.2 模型量化方法以及策略設計
        5.2.1 統(tǒng)一仿射量化
        5.2.2 均勻對稱量化
        5.2.3 隨機量化
        5.2.4 量化后的BP操作
    5.3 量化方式
    5.4 模型量化及實驗細節(jié)
    5.5 量化評估以及模型部署
        5.5.1 量化性能評估
        5.5.2 模型部署
    5.6 本章小結
6 總結和展望
參考文獻
攻讀碩士學位期間科研情況
致謝



本文編號：3154361