醫(yī)學(xué)圖像在定量研究和醫(yī)學(xué)診斷中起著至關(guān)重要作用,而當(dāng)前對(duì)CT,MRI,X光等醫(yī)療影像分析主要還是依靠人工交互式進(jìn)行,這種方式在臨床環(huán)境下效率一直都相對(duì)較低,在患者就醫(yī)的高峰期十分容易出現(xiàn)延誤治療最佳時(shí)機(jī)的情況。目前針對(duì)CT,X光的自動(dòng)圖像分割已經(jīng)有了很多研究成果,但是目前主流分割方法一方面容易導(dǎo)致信息的冗余使用,類似的低層次特征在多個(gè)尺度上被多次提取。另一方面,長(zhǎng)期的特征依賴沒(méi)有有效地建模,導(dǎo)致與每個(gè)語(yǔ)義類相關(guān)的非最佳鑒別特征表示。以及網(wǎng)絡(luò)過(guò)于龐大導(dǎo)致語(yǔ)義分割不管是在存儲(chǔ)上還是在速度以上與工業(yè)化應(yīng)用有一定差距。論文通過(guò)基于自注意機(jī)制來(lái)捕獲更豐富的上下文依賴關(guān)系以減少冗余提高效果,進(jìn)行模型的壓縮提速以便模型在邊緣設(shè)備上運(yùn)行。針對(duì)肺部氣胸?cái)?shù)據(jù)進(jìn)行分割問(wèn)題,借鑒U-Net這樣的已經(jīng)成為醫(yī)學(xué)圖像分割領(lǐng)域的常用全卷積神經(jīng)網(wǎng)絡(luò),探索了一種能夠集成本地特性及其相應(yīng)的全局依賴關(guān)系,并以自適應(yīng)的方式突出相互依賴的映射的方法。通過(guò)強(qiáng)調(diào)相關(guān)的特征關(guān)聯(lián)以加強(qiáng)不同模塊之間的額外損失,引導(dǎo)注意機(jī)制忽略無(wú)關(guān)信息,聚焦于圖像中更多的鑒別區(qū)域。其次針對(duì)分割模型過(guò)于龐大以至于工業(yè)部署困難的問(wèn)題,基于在深度可分卷積的基礎(chǔ)上... 

【文章來(lái)源】：海南大學(xué)海南省 211工程院校

【文章頁(yè)數(shù)】：67 頁(yè)

【學(xué)位級(jí)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(xiàn)狀
    1.3 本文的研究?jī)?nèi)容
    1.4 本章小結(jié)
2 卷積神經(jīng)網(wǎng)絡(luò)和相關(guān)技術(shù)
    2.1 卷積神經(jīng)網(wǎng)絡(luò)概念
    2.2 語(yǔ)義分割網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)
        2.2.1 FCN
        2.2.2 Deep Lab系列
        2.2.3 U-Net
    2.3 本章小結(jié)
3 分割網(wǎng)絡(luò)結(jié)構(gòu)構(gòu)建與訓(xùn)練
    3.1 多尺度方法的重構(gòu)
        3.1.1 多尺度注意力特征圖
        3.1.2 空間和通道自我關(guān)注模塊
    3.2 Backbone
    3.3 模型訓(xùn)練與微調(diào)
        3.3.1 數(shù)據(jù)集
        3.3.2 模型訓(xùn)練策略
        3.3.3 評(píng)估方法
    3.4 結(jié)果分析
    3.5 本章小結(jié)
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(shí)施
    4.4 本章小結(jié)
5 分割模型的量化與部署實(shí)現(xiàn)
    5.1 模型量化的目標(biāo)
    5.2 模型量化方法以及策略設(shè)計(jì)
        5.2.1 統(tǒng)一仿射量化
        5.2.2 均勻?qū)ΨQ量化
        5.2.3 隨機(jī)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(shí)驗(yàn)細(xì)節(jié)
    5.5 量化評(píng)估以及模型部署
        5.5.1 量化性能評(píng)估
        5.5.2 模型部署
    5.6 本章小結(jié)
6 總結(jié)和展望
參考文獻(xiàn)
攻讀碩士學(xué)位期間科研情況
致謝



本文編號(hào)：3154361