近年來,腦腫瘤的分割任務已經逐漸成為醫(yī)學圖像研究領域的一個熱點問題。一般情況下,腦腫瘤致死率、致殘率極高,對人體的健康有很大的危害。其中,膠質瘤是最常見的腦腫瘤,它是由神經膠質細胞癌變而形成的,可分為低級別膠質瘤（Low-grade glioma,LGG）和高級別膠質瘤（High-grade glioma,HGG）,HGG通常由LGG惡化形成。盡管目前的治療水平有所提升,但是HGG患者的預后仍舊很差,中位生存期不到兩年甚至更短,與HGG相比,LGG患者的治療和預后更有效。為了更好地治療患者同時盡力的延長他們的生存時間,及時并準確地分割出膠質瘤,輔助醫(yī)生制定適當?shù)闹委熡媱澥欠浅Ｖ匾�。在診斷成像技術的發(fā)展過程中,誕生了各種各樣的腦腫瘤成像檢查方式,其中,磁共振成像（MRI）由于具有很高的軟組織分辨率和空間分辨率,沒有輻射損傷,可以提供廣泛的生理意義的對比,并通過成像來區(qū)分不同的組織,且MRI所得的特征能夠大大提高對腦腫瘤惡性程度的準確性的評估,因此廣泛用于診斷腦和神經系統(tǒng)異常。盡管技術手段有所提升,但腦腫瘤分割仍然是一項艱巨的任務,因為腫瘤的邊界通常是模糊的,并且不同患者的腫瘤形狀、位置... 

【文章來源】：山東大學山東省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：71 頁

【學位級別】：碩士

【部分圖文】：

圖２－１人工神經網絡結構??

池??化層來模擬感受野。此后，許多的深度神經網絡均是在卷積神經網絡的基礎上做??出了一定的創(chuàng)新和改進，本文所提出的腦腫瘤分割網絡也是如此。??在普通的人工神經網絡中，相鄰層的所有神經元均是兩兩相互連接的，這樣??的結構最大的缺陷是會造成參數(shù)量過多，導致局部最優(yōu)解的出現(xiàn)［３Ｑ］，從而使得網??絡訓練的時間過長，易發(fā)生過擬合。而在ＣＮＮ中，由于卷積層的作用，當前層??的神經元只需要與上一層的部分神經元連接，而不是全部神經元，這大大減少了??參數(shù)量，降低了過擬合的風險。ＣＮＮ的基本結構如圖２－２所示，主要包括虛線??框中所示的卷積層、激活層和池化層，這三層組成了一個基本模塊，一般的ＣＮＮ??主體結構就是基本模塊的堆疊并添加其他處理。在ＣＮＮ的基本結構中，輸入首??先通過卷積層進行線性變換，后經過激活層進行非線性變換得到相應特征，最后??再通過池化層對這些信息進行統(tǒng)計提取，以減少網絡中的參數(shù)和計算量。??丨卷?激?池｜??？?？?？??Ｈ?積?＊■活?＾?化：?？？?？?？?？??ｉ?層層層?ｉ??圖２－２卷積神經網絡的基本結構??２．２．１卷積神經網絡的基本組成??（１）卷積層??ＣＮＮ中的第一層始終是卷積層，作用是從輸入圖像中提取特征，得到特征??響應圖，也稱特征圖。在圖像識別中，卷積就是通過對輸入數(shù)據的每個特定大小??的區(qū)域學習圖像像素之間的空間關系，而這個區(qū)域的大小則由卷積核決定。在一??１１??

第２章背景介紹??般的情況下，卷積核的大小小于輸入特征圖的大小，卷積核沿著輸入的長和寬方??向依次進行滑動，在每個相應的位置計算輸入和卷積核之間的點積。卷積核每次??滑動的長度則稱為步長。事實上，卷積神經網絡中，卷積核中的數(shù)值就相當于人??工神經網絡中介紹的權重，雖然名義上稱為卷積運算，但實際上是卷積核上的權??重與對應位置的像素進行點積并相加。圖２－３展示了當輸入為單通道，輸入大小??為５Ｘ７，卷積核大小為３Ｘ３，步長為１，填充為０時的２Ｄ卷積過程，從圖中位??于（０，?０）位置的像素開始，輸入像素與卷積核一一對應相乘后將結果相加，從??而得到輸出像素，以此類推，卷積核則不斷向右、向下移動，最終得到３Ｘ５大??小的輸出。卷積核所覆蓋的區(qū)域也稱為感受野，在圖２－３所示的輸出神經元對應??的感受野就為３Ｘ３。在實際的網絡設計中，我們可以通過疊加更多的卷積層使??得輸出圖中的單個神經元對應的原始輸入的感受野更大，可以提取更大尺度的信??息。在ＣＮＮ中，無論是輸入圖像還是經過卷積層處理產生的特征響應圖，通常??都不只是一張圖，而是多張，每一張圖就被稱為一個通道。對于這樣的多通道輸??入，處理的方法是先對每個通道用不同的卷積核執(zhí)行卷積操作，最后將其卷積結??果相加。圖２－４展示了一個輸入為３通道，大小為５Ｘ５，卷積核大小為３Ｘ３，??步長為１，填充為０，輸出通道為１的多通道卷積過程。??０?／?輸出像素??輸入像素一［ｆｍ?？?＼１１？??ｍｍ?／?ｕ－??圖２－３卷積層運算示意圖??１２??

【參考文獻】：
期刊論文
[1]基于雙通道三維密集連接網絡的腦膠質瘤核磁共振成像分割算法研究[J]. 霍智勇,杜帥煜,陳釗,戴偉達.  生物醫(yī)學工程學雜志. 2019(05)
[2]MRI增強掃描在腦膠質瘤臨床診斷中的應用價值分析[J]. 李鵬,梁浩然,楊旭,趙宏波.  實用醫(yī)院臨床雜志. 2019(05)
[3]人工神經網絡的發(fā)展綜述[J]. 夏瑜潞.  電腦知識與技術. 2019(20)
[4]一種基于級聯(lián)卷積網絡的三維腦腫瘤精細分割[J]. 褚晶輝,李曉川,張佳祺,呂衛(wèi).  激光與光電子學進展. 2019(10)
[5]改進的全卷積神經網絡的腦腫瘤圖像分割[J]. 邢波濤,李鏘,關欣.  信號處理. 2018(08)
[6]腦膠質母細胞瘤術后輔助治療的研究進展[J]. 于順江.  癌癥進展. 2010(04)
[7]解讀《世界衛(wèi)生組織中樞神經系統(tǒng)腫瘤分類（2007年）》[J]. 楊學軍.  中國神經精神疾病雜志. 2007(09)

碩士論文
[1]基于多級聯(lián)卷積神經網絡和條件隨機場的腦腫瘤分割研究[D]. 甘清海.湘潭大學 2019
[2]基于深度學習的醫(yī)學圖像分割方法研究[D]. 王凱明.中國科學技術大學 2018



本文編號：3068189