頸動脈狹窄程度是臨床實踐中中風風險評估和病程管理的重要生物標志物。精確的頸動脈管腔分割是量化其狹窄程度的前提。然而對于計算機斷層掃描血管造影(Computed Tomography Angiography,CTA)圖像中的頸動脈管腔分割任務,傳統(tǒng)圖像分割方法大多數(shù)不能完全擺脫對人工介入的依賴。最近深度學習方法在計算機視覺領域中的多種任務上均有著卓越表現(xiàn),使其成為有望實現(xiàn)頸動脈分叉自動化語義分割的一種技術手段。本研究以三維頭頸部CTA圖像為研究對象,采用深度卷積神經(jīng)網(wǎng)絡來實現(xiàn)完全自動化的頸動脈分叉管腔分割算法。在原來UNet的結(jié)構(gòu)基礎上,加入了殘差連接、空洞卷積,并且把深度監(jiān)督策略融入到網(wǎng)絡結(jié)構(gòu)中,本研究建立了一個新型網(wǎng)絡結(jié)構(gòu)。同時針對分割任務中正負樣本不均衡問題探索了不同結(jié)合方式下?lián)p失函數(shù)對神經(jīng)網(wǎng)絡訓練的促進作用,并且采用兩階段的策略完成了從大圖像中分割出小目標的任務。以15個數(shù)據(jù)集為訓練集,本研究在41個數(shù)據(jù)集的測試集上評估了方法的分割效果,評估指標dice相似系數(shù)的平均值為82.3%。這是深度學習在三維CTA圖像中頸動脈分叉結(jié)構(gòu)分割上的首次運用,說明了深度學習是一種自動提取頸動脈分...

【文章頁數(shù)】：63 頁

【學位級別】：碩士

【文章目錄】：
致謝
摘要
Abstract
第1章 緒論
    1.1 研究背景和意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 傳統(tǒng)圖像分割方法
        1.2.2 基于深度學習的語義分割
    1.3 研究內(nèi)容
    1.4 論文組織架構(gòu)
第2章 相關理論和技術
    2.1 卷積神經(jīng)網(wǎng)絡
    2.2 UNet網(wǎng)絡結(jié)構(gòu)
    2.3 針對類別不均衡的損失函數(shù)
        2.3.1 Weighted binary cross-entropy
        2.3.2 Dice loss
        2.3.3 Focal loss
    2.4 技術框架和軟件支持
第3章 UNet網(wǎng)絡改進設計
    3.1 數(shù)據(jù)來源和預處理
        3.1.1 數(shù)據(jù)來源
        3.1.2 數(shù)據(jù)預處理
    3.2 訓練和測試策略
    3.3 網(wǎng)絡結(jié)構(gòu)的改進
        3.3.1 殘差卷積模塊
        3.3.2 空洞卷積模塊
        3.3.3 深度監(jiān)督策略
    3.4 損失函數(shù)的設計
    3.5 實施細節(jié)
        3.5.1 數(shù)據(jù)擴增
        3.5.2 訓練參數(shù)
        3.5.3 圖像后處理
第4章 研究結(jié)果和分析
    4.1 評估指標
    4.2 對比標準
    4.3 實驗結(jié)果和分析
        4.3.1 不同結(jié)合比例下的損失函數(shù)
        4.3.2 和其他網(wǎng)絡模型的對比
        4.3.3 分割結(jié)果的可視化
        4.3.4 Leave-one-out交叉驗證
        4.3.5 和其他自動分割算法的對比
第5章 總結(jié)和展望
    5.1 研究工作總結(jié)
    5.2 研究工作展望
參考文獻
作者在碩士期間的科研成果



本文編號：3985479