隨著醫(yī)學成像技術的不斷發(fā)展,越來越多的疾病通過對醫(yī)學影像的分析、處理實現(xiàn)了早期發(fā)現(xiàn)、早期診治,大幅提升了疾病治療效率。其中,醫(yī)學影像分割能夠從復雜的醫(yī)學圖像中提取病人病變區(qū)域,為后續(xù)的定量、定性的分析和處理工作打下基礎。然而,基于專業(yè)醫(yī)生的手工分割耗時費力,傳統(tǒng)計算機圖像分割技術又精度低下。因此,越來越多的學者將目光放在深度學習上,提出一系列基于卷積神經(jīng)網(wǎng)絡（CNN）的醫(yī)學圖像分割網(wǎng)絡。為進一步提升深度學習在醫(yī)學圖像分割領域的運用,我們對深度學習模型以及特征學習領域展開研究,提出通過淺層紋理特征與深層語義特征融合方式,實現(xiàn)醫(yī)學圖像的精確分割。本文基于密集連接網(wǎng)絡提出了一種新穎的框架,稱為多路徑自適應融合網(wǎng)絡,以增強淺層紋理特征與深層語義特征的融合用于醫(yī)學圖像分割。在所提出的框架的下采樣過程中,采用了具有快捷連接的密集塊。它不僅可以在每層之間應用密集連接以充分利用局部特征,而且還可以在先前的密集塊與當前密集塊的每一層之間進行直接連接,從而實現(xiàn)有效的連續(xù)內(nèi)存（CM）機制,以傳播和保留淺層紋理特征。在上采樣過程中,已經(jīng)提出了一種新穎的多徑自適應融合單元,以有效地融合淺層紋理特征和深層語義特征... 

【文章來源】：電子科技大學四川省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：82 頁

【學位級別】：碩士

【部分圖文】：

LeNet結構

電子科技大學碩士學位論文12征，這也代表了機器能通過這個卷積核理解圖像擁有這個特征。如圖2-2，這就是一個常見的卷積層。圖2-2卷積層假設有一個尺寸為5×5圖像，我們使用3×3卷積核對圖像進行卷積操作，卷積操作就是卷積核與在一個在圖像中與卷積核相同大小的滑動窗口進行點積運算得到結果的過程。如圖2-2所示，最左邊是一個3×3的卷積核，中間是需要卷積的5x5大小的圖片，最右邊是卷積的結果。當我們用卷積核與圖像最右上的3×3的區(qū)域點相乘時，得到的結果為-1。卷積核的值是通過初始化，然后不斷通過反向傳播學習中學到的。2.4.2池化層池化層又叫下采樣層，目的是壓縮數(shù)據(jù)，降低數(shù)據(jù)維度。同時，通過池化層的特征壓縮，我們可以對特征進行細化提煉。最常見的池化方式是最大池化，就是去計算一個區(qū)域的特征的最大值。如圖2-3，一個4x4的圖片經(jīng)過采樣后還剩2x2，直接壓縮到原來的4分之一。圖2-3池化操作

池化操作


本文編號：3408748