近年來,腦腫瘤的分割任務(wù)已經(jīng)逐漸成為醫(yī)學(xué)圖像研究領(lǐng)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(zhì)瘤是最常見的腦腫瘤,它是由神經(jīng)膠質(zhì)細(xì)胞癌變而形成的,可分為低級別膠質(zhì)瘤（Low-grade glioma,LGG）和高級別膠質(zhì)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(yù)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(yù)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(zhǔn)確地分割出膠質(zhì)瘤,輔助醫(yī)生制定適當(dāng)?shù)闹委熡媱澥欠浅Ｖ匾�。在診斷成像技術(shù)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(zhǔn)確性的評估,因此廣泛用于診斷腦和神經(jīng)系統(tǒng)異常。盡管技術(shù)手段有所提升,但腦腫瘤分割仍然是一項艱巨的任務(wù),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(xué)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(xué)位級別】：碩士

【部分圖文】：

圖２－１人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)??

池??化層來模擬感受野。此后，許多的深度神經(jīng)網(wǎng)絡(luò)均是在卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)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(wǎng)絡(luò)也是如此。??在普通的人工神經(jīng)網(wǎng)絡(luò)中，相鄰層的所有神經(jīng)元均是兩兩相互連接的，這樣??的結(jié)構(gòu)最大的缺陷是會造成參數(shù)量過多，導(dǎo)致局部最優(yōu)解的出現(xiàn)［３Ｑ］，從而使得網(wǎng)??絡(luò)訓(xùn)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(dāng)前層??的神經(jīng)元只需要與上一層的部分神經(jīng)元連接，而不是全部神經(jīng)元，這大大減少了??參數(shù)量，降低了過擬合的風(fēng)險。ＣＮＮ的基本結(jié)構(gòu)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(jié)構(gòu)就是基本模塊的堆疊并添加其他處理。在ＣＮＮ的基本結(jié)構(gòu)中，輸入首??先通過卷積層進行線性變換，后經(jīng)過激活層進行非線性變換得到相應(yīng)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(wǎng)絡(luò)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(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)??２．２．１卷積神經(jīng)網(wǎng)絡(luò)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(yīng)圖，也稱特征圖。在圖像識別中，卷積就是通過對輸入數(shù)據(jù)的每個特定大小??的區(qū)域?qū)W習(xí)圖像像素之間的空間關(guān)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(yīng)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(jīng)網(wǎng)絡(luò)中，卷積核中的數(shù)值就相當(dāng)于人??工神經(jīng)網(wǎng)絡(luò)中介紹的權(quán)重，雖然名義上稱為卷積運算，但實際上是卷積核上的權(quán)??重與對應(yīng)位置的像素進行點積并相加。圖２－３展示了當(dāng)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(yīng)相乘后將結(jié)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(jīng)元對應(yīng)??的感受野就為３Ｘ３。在實際的網(wǎng)絡(luò)設(shè)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(jīng)元對應(yīng)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(jīng)過卷積層處理產(chǎn)生的特征響應(yīng)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(jié)??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(wǎng)絡(luò)的腦膠質(zhì)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(xué)工程學(xué)雜志. 2019(05)
[2]MRI增強掃描在腦膠質(zhì)瘤臨床診斷中的應(yīng)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(jīng)網(wǎng)絡(luò)的發(fā)展綜述[J]. 夏瑜潞.  電腦知識與技術(shù). 2019(20)
[4]一種基于級聯(lián)卷積網(wǎng)絡(luò)的三維腦腫瘤精細(xì)分割[J]. 褚晶輝,李曉川,張佳祺,呂衛(wèi).  激光與光電子學(xué)進展. 2019(10)
[5]改進的全卷積神經(jīng)網(wǎng)絡(luò)的腦腫瘤圖像分割[J]. 邢波濤,李鏘,關(guān)欣.  信號處理. 2018(08)
[6]腦膠質(zhì)母細(xì)胞瘤術(shù)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(jīng)系統(tǒng)腫瘤分類（2007年）》[J]. 楊學(xué)軍.  中國神經(jīng)精神疾病雜志. 2007(09)

碩士論文
[1]基于多級聯(lián)卷積神經(jīng)網(wǎng)絡(luò)和條件隨機場的腦腫瘤分割研究[D]. 甘清海.湘潭大學(xué) 2019
[2]基于深度學(xué)習(xí)的醫(yī)學(xué)圖像分割方法研究[D]. 王凱明.中國科學(xué)技術(shù)大學(xué) 2018



本文編號：3068189