本文主要針對(duì)食管癌放療靶區(qū)以及周?chē)＜捌鞴偻瑫r(shí)分割的技術(shù)進(jìn)行研究。近年來(lái),醫(yī)學(xué)圖像分割/器官分割以卷積神經(jīng)網(wǎng)絡(luò)為主。雖然取得了令人鼓舞的成績(jī),但也存在兩個(gè)缺點(diǎn)。一方面,關(guān)于單器官分割的文獻(xiàn)較多,而針對(duì)多器官分割問(wèn)題的文獻(xiàn)較少。另一方面,許多分割方法在自然圖像分割數(shù)據(jù)集上的多目標(biāo)分割效果較好,但在食管癌醫(yī)學(xué)圖像分割上的效果欠佳。針對(duì)上述問(wèn)題,本文就醫(yī)學(xué)圖像器官分割開(kāi)展研究,主要工作如下:（1）為了能夠準(zhǔn)確地分割器官區(qū)域,本文在U-Net網(wǎng)絡(luò)中增加歸一化處理層,加快網(wǎng)絡(luò)收斂速度,防止梯度消失,從而提高分割的精度。另外,為了能夠提升卷積神經(jīng)網(wǎng)絡(luò)模型的分割速度,本文巧妙地利用1×1卷積核和合適的卷積通道數(shù)來(lái)降低模型參數(shù),從而提高了器官分割效率。（2）為了將Mask R-CNN算法更好的運(yùn)用與食管癌器官分割中,本文對(duì)Mask R-CNN算法做出四點(diǎn)改進(jìn),提出了一種新的分割算法,名為MsMR-Net的深度學(xué)習(xí)算法。其具體改進(jìn)部分為:a)改進(jìn)Mask R-CNN算法特征提取網(wǎng)絡(luò)中的ResNet網(wǎng)絡(luò)結(jié)構(gòu),使得主干網(wǎng)絡(luò)更好的獲得食管癌圖像器官信息;b)對(duì)區(qū)域建議網(wǎng)絡(luò)得到的ROI進(jìn)行多尺度ROI Alig... 

【文章來(lái)源】：安徽大學(xué)安徽省 211工程院校

【文章頁(yè)數(shù)】：78 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

神經(jīng)網(wǎng)絡(luò)在醫(yī)學(xué)圖像處理上的文獻(xiàn)分布

安徽大學(xué)碩士學(xué)位論文9輸入層、卷積層、池化層（下采樣層）、全連接層。2.2.1數(shù)據(jù)輸入層數(shù)據(jù)輸入層的設(shè)計(jì)對(duì)于CNN訓(xùn)練模型的好壞非常重要，選擇并設(shè)計(jì)符合標(biāo)準(zhǔn)的數(shù)據(jù)層數(shù)據(jù)，可以訓(xùn)練并構(gòu)造一個(gè)性能優(yōu)異的網(wǎng)絡(luò)結(jié)構(gòu)模型，在訓(xùn)練時(shí)，為了更高效地訓(xùn)練模型，常把數(shù)據(jù)轉(zhuǎn)化為L(zhǎng)eveldb格式或者Lmdb格式。2.2.2卷積層卷積在圖像處理領(lǐng)域被廣泛的應(yīng)用，像濾波、邊緣檢測(cè)、圖片銳化等，都是通過(guò)不同的卷積核來(lái)實(shí)現(xiàn)的。在卷積神經(jīng)網(wǎng)絡(luò)中通過(guò)卷積操作可以提取圖片中的特征，低層的卷積層可以提取到圖片的邊緣、線(xiàn)條、角等特征，高層的卷積能夠從低層的卷積中學(xué)到更復(fù)雜的特征，從而實(shí)現(xiàn)圖片的分類(lèi)和識(shí)別。在卷積操作中有幾個(gè)比較重要的參數(shù)，輸入圖片的尺寸、步長(zhǎng)、卷積核的大孝輸出圖片的尺寸、填充大校參數(shù)以及卷積的運(yùn)算過(guò)程如圖2.2所示：圖2.2卷積運(yùn)算圖Figure2.2Convolutiondiagram輸入特征圖的尺寸：圖2.2中的藍(lán)色圖片（大小為5*5），表示的是需要進(jìn)行卷積操作的特征圖。輸入特征圖的尺寸用i表示。卷積核的尺寸：圖2.2中陰影圖片表示的是卷積核（大小為4*4），不同大小的卷積

安徽大學(xué)碩士學(xué)位論文11圖2.3最大池化效果圖Figure2.3Maximumpoolingeffect圖2.4、2.5分別表示池化層中的最大池化和平均池化操作過(guò)程的范例。圖2.4最大池化操作過(guò)程圖Figure2.4Maximumpoolingoperationprocessdiagram圖2.5平均池化操作過(guò)程圖Figure2.5Averagepoolingoperationprocessdiagram

【參考文獻(xiàn)】：
期刊論文
[1]面向空中目標(biāo)作戰(zhàn)意圖分析的標(biāo)準(zhǔn)化全連接殘差網(wǎng)絡(luò)模型[J]. 翟翔宇,楊風(fēng)暴,吉琳娜,呂紅亮,白永強(qiáng).  國(guó)外電子測(cè)量技術(shù). 2019(12)
[2]基于優(yōu)化可形變區(qū)域全卷積神經(jīng)網(wǎng)絡(luò)的人頭檢測(cè)方法[J]. 吉訓(xùn)生,王昊.  激光與光電子學(xué)進(jìn)展. 2019(14)
[3]基于深度學(xué)習(xí)的渣土車(chē)頂部覆蓋率識(shí)別系統(tǒng)[J]. 劉曉東,費(fèi)文龍,陳亮.  無(wú)線(xiàn)互聯(lián)科技. 2019(04)
[4]多層卷積特征融合的行人檢測(cè)[J]. 呂俊奇,邱衛(wèi)根,張立臣,李雪武.  計(jì)算機(jī)工程與設(shè)計(jì). 2018(11)
[5]基于ITK、VTK、Qt的DICOM文件的讀取與顯示[J]. 任正偉,宋曉梅,黃素真.  國(guó)外電子測(cè)量技術(shù). 2017(11)
[6]基于DICOM數(shù)據(jù)三維重建及其對(duì)骨科植入物的指導(dǎo)應(yīng)用[J]. 李靖,楊龍,王建吉,劉琴,鄒強(qiáng),孫宇,馬敏先,葉川.  中國(guó)組織工程研究. 2017(07)
[7]基于點(diǎn)云面的區(qū)域性三維重建及點(diǎn)云拼接[J]. 黃思奇,夏海英.  計(jì)算機(jī)應(yīng)用研究. 2016(12)
[8]PET/CT在婦科惡性腫瘤中的應(yīng)用[J]. 王玉分,張工化,孔振,王志輝,劉要先.  現(xiàn)代醫(yī)用影像學(xué). 2015(03)
[9]基于VTK的數(shù)值模擬結(jié)果可視化[J]. 王延紅,丁升,袁媛,林成地.  現(xiàn)代電子技術(shù). 2013(06)
[10]一種基于DDS和Qt的“所見(jiàn)即所得”波形發(fā)生器[J]. 張康康,王中訓(xùn),王恒,劉建英.  現(xiàn)代電子技術(shù). 2010(22)

博士論文
[1]水平集方法及其在圖像分割中的應(yīng)用研究[D]. 王曉峰.中國(guó)科學(xué)技術(shù)大學(xué) 2009

碩士論文
[1]基于多任務(wù)學(xué)習(xí)的腫瘤醫(yī)學(xué)影像語(yǔ)義分割與分類(lèi)研究[D]. 鄒致超.哈爾濱工業(yè)大學(xué) 2019
[2]基于深度模型的實(shí)時(shí)交通燈檢測(cè)[D]. 陳飄依.北京郵電大學(xué) 2019
[3]基于深度學(xué)習(xí)的人臉圖像超分辨率重建[D]. 史鵬濤.南昌大學(xué) 2019
[4]毫米波無(wú)源探測(cè)目標(biāo)檢測(cè)與識(shí)別算法研究[D]. 劉應(yīng)杰.電子科技大學(xué) 2019
[5]基于深度卷積神經(jīng)網(wǎng)絡(luò)的圖像風(fēng)格遷移系統(tǒng)研究[D]. 裴斐.寧夏大學(xué) 2019
[6]眼底圖像中微小目標(biāo)檢測(cè)算法的研究與實(shí)現(xiàn)[D]. 李英.電子科技大學(xué) 2019
[7]基于CT圖像的肝部腫瘤的自動(dòng)分割算法研究[D]. 張麗園.電子科技大學(xué) 2019
[8]面向遙感影像的地物分割方法研究[D]. 崔路男.哈爾濱工業(yè)大學(xué) 2018
[9]基于卷積神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別技術(shù)研究[D]. 王洋.集美大學(xué) 2018
[10]基于卷積神經(jīng)網(wǎng)絡(luò)的蔬菜識(shí)別及應(yīng)用研究[D]. 韓朋朋.安徽大學(xué) 2018



本文編號(hào)：3234959