隨著深度學(xué)習(xí)算法的進(jìn)一步成熟、算力的提高以及數(shù)據(jù)的持續(xù)積累,深度學(xué)習(xí)在生物醫(yī)學(xué)圖像語(yǔ)義分割領(lǐng)域得到迅猛發(fā)展。3D卷積神經(jīng)網(wǎng)絡(luò)因其3D上下文信息的挖掘能力而成為3D生物醫(yī)學(xué)圖像語(yǔ)義分割中的主流選擇。但是,3D卷積核極大增加了可訓(xùn)練參數(shù)的數(shù)量�？紤]到在生物醫(yī)學(xué)圖像領(lǐng)域中,訓(xùn)練集往往十分有限,這會(huì)加劇3D卷積神經(jīng)網(wǎng)絡(luò)面臨的過(guò)擬合風(fēng)險(xiǎn),因此必須在網(wǎng)絡(luò)大小及其特征表達(dá)能力之間進(jìn)行權(quán)衡。正因參數(shù)量的限制,網(wǎng)絡(luò)結(jié)構(gòu)簡(jiǎn)潔高效的3D U-Net被廣泛應(yīng)用。但是結(jié)構(gòu)簡(jiǎn)潔也導(dǎo)致3D U-Net網(wǎng)絡(luò)過(guò)淺,特征表達(dá)能力有限,網(wǎng)絡(luò)無(wú)法獲得較大感受野,同時(shí)較多的下采樣層使得3D U-Net會(huì)丟失部分細(xì)節(jié)和全局位置信息�；谏鲜龇治�,本文基于3D卷積核的參數(shù)縮減和3D U-Net的網(wǎng)絡(luò)優(yōu)化兩方面展開(kāi)研究。本文的主要研究?jī)?nèi)容和創(chuàng)新工作概述如下:（1）針對(duì)3D卷積核參數(shù)過(guò)多的問(wèn)題,本文提出了3D密集分離卷積（3D-DSC）模塊來(lái)替代原始的3D卷積內(nèi)核。3D-DSC模塊由三個(gè)方向上的1D卷積核構(gòu)成,同時(shí)通過(guò)進(jìn)一步引入額外的非線性激活層以及1D卷積核之間的密集連接,可以在保持緊湊型架構(gòu)的同時(shí)顯著提高網(wǎng)絡(luò)的非線性特征表達(dá)能力。... 

【文章頁(yè)數(shù)】：63 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究背景與意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 基于深度學(xué)習(xí)的語(yǔ)義分割算法
        1.2.2 3D生物醫(yī)學(xué)圖像語(yǔ)義分割算法
    1.3 技術(shù)研究難點(diǎn)
    1.4 本文主要研究?jī)?nèi)容
    1.5 論文組織結(jié)構(gòu)
第二章 相關(guān)理論和工作基礎(chǔ)
    2.1 卷積神經(jīng)網(wǎng)絡(luò)
        2.1.1 卷積層與池化層
        2.1.2 激活層
        2.1.3 歸一化層
        2.1.4 反向傳播與優(yōu)化算法
    2.2 語(yǔ)義分割相關(guān)知識(shí)點(diǎn)
        2.2.1 空洞卷積
        2.2.2 反卷積
        2.2.3 Dice loss
    2.3 3D生物醫(yī)學(xué)圖像相關(guān)知識(shí)點(diǎn)
        2.3.1 MRI及其預(yù)處理
        2.3.2 CT及其預(yù)處理
    2.4 本章小結(jié)
第三章 3D-DSC模塊
    3.1 引言
    3.2 卷積核的分解
    3.3 3D-DSC模塊
        3.3.1 3D卷積核的空間可分性
        3.3.2 3D-DSC模塊
    3.4 基于3D-DSC模塊的3D分類(lèi)網(wǎng)絡(luò)
    3.5 基于小兒多動(dòng)癥腦部MRI診斷的實(shí)驗(yàn)結(jié)果及分析
        3.5.1 數(shù)據(jù)集及預(yù)處理
        3.5.2 網(wǎng)絡(luò)訓(xùn)練設(shè)置
        3.5.3 結(jié)果及分析
    3.6 基于肝癌腹部CT圖像診斷的實(shí)驗(yàn)結(jié)果及分析
        3.6.1 數(shù)據(jù)集及預(yù)處理
        3.6.2 網(wǎng)絡(luò)訓(xùn)練設(shè)置
        3.6.3 結(jié)果及分析
    3.7 本章小結(jié)
第四章 基于3D U-Net的3D生物醫(yī)學(xué)圖像語(yǔ)義分割網(wǎng)絡(luò)
    4.1 引言
    4.2 3D U-net語(yǔ)義分割網(wǎng)絡(luò)
    4.3 基于3D-DSC加深3D U-Net
    4.4 BA-DenseASPP
    4.5 基于腦腫瘤MRI圖像的實(shí)驗(yàn)結(jié)果及分析
        4.5.1 數(shù)據(jù)集及預(yù)處理
        4.5.2 網(wǎng)絡(luò)訓(xùn)練設(shè)置
        4.5.3 結(jié)果及分析
    4.6 基于腎臟腫瘤CT圖像的實(shí)驗(yàn)結(jié)果及分析
        4.6.1 數(shù)據(jù)集及預(yù)處理
        4.6.2 網(wǎng)絡(luò)訓(xùn)練設(shè)置
        4.6.3 結(jié)果及分析
    4.7 本章小結(jié)
結(jié)論
參考文獻(xiàn)
攻讀碩士研究生期間參與的科研項(xiàng)目
致謝



本文編號(hào)：3648671