膠質(zhì)瘤是最常見的惡性中樞神經(jīng)腦瘤之一,浸潤(rùn)性生長(zhǎng)的特點(diǎn)造成其死亡率高復(fù)發(fā)率高,因此需要及時(shí)盡早的診斷與治療。膠質(zhì)瘤影像作為直觀且重要的診斷手段,對(duì)后續(xù)手術(shù)、放療等治療方案有指導(dǎo)作用,因此腫瘤影像的分割和隨后的定量分析是治療中常規(guī)的且至關(guān)重要的一步。磁共振成像是現(xiàn)階段腦腫瘤的主要成像工具,提供了膠質(zhì)瘤的多模態(tài)影像。多模態(tài)成像不但可以綜合分析不同模態(tài)的解剖信息和功能信息,而且可以研究模態(tài)間的聯(lián)系,從而可以準(zhǔn)確地描繪腫瘤結(jié)構(gòu)實(shí)現(xiàn)可視化。但是現(xiàn)在三維的腫瘤磁共振影像數(shù)據(jù)量十分龐大,對(duì)于醫(yī)生專家來說是個(gè)沉重的負(fù)擔(dān)。如果僅靠手動(dòng)分割會(huì)十分費(fèi)時(shí)、繁瑣且缺乏客觀性,因此需要自動(dòng)分割方法來進(jìn)行準(zhǔn)確、及時(shí)、客觀的處理。近年來,基于深度學(xué)習(xí)的分割方法因其強(qiáng)大的自學(xué)習(xí)和泛化能力而受到歡迎。為了更好地捕獲上下文信息與產(chǎn)生語義特征,我們提出了一種新穎的基于3D CNN的自動(dòng)腦腫瘤分割方法。與自然圖像相比,醫(yī)學(xué)影像多為灰度影像且分辨率低,因此該方法基于網(wǎng)絡(luò)層深較淺的編碼-解碼架構(gòu),主體由殘差模塊、編碼器適配模塊、密集融合模塊和多尺度優(yōu)化模塊組成,取得了對(duì)膠質(zhì)瘤不錯(cuò)的分割結(jié)果。具體研究?jī)?nèi)容如下:1.為了有效地提取代表... 

【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(yè)數(shù)】：68 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 課題背景及意義
    1.2 研究現(xiàn)狀
    1.3 本文主要內(nèi)容
    1.4 本文章節(jié)安排
第2章 深度學(xué)習(xí)語義分割算法
    2.1 卷積神經(jīng)網(wǎng)絡(luò)
        2.1.1 卷積
        2.1.2 池化
        2.1.3 激活函數(shù)
        2.1.4 批量標(biāo)準(zhǔn)化
        2.1.5 殘差網(wǎng)絡(luò)
    2.2 全卷積網(wǎng)絡(luò)
    2.3 編碼-解碼基礎(chǔ)模型
    2.4 基于多尺度池化的金字塔網(wǎng)絡(luò)
    2.5 生成對(duì)抗模型
    2.6 其他模型
    2.7 本章小結(jié)
第3章 密集連接的膠質(zhì)瘤殘差分割模型
    3.1 整體架構(gòu)
    3.2 殘差模塊
    3.3 編碼器適配模塊
    3.4 密集融合模塊
    3.5 多尺度優(yōu)化模塊
    3.6 本章小結(jié)
第4章 實(shí)驗(yàn)與結(jié)果
    4.1 實(shí)驗(yàn)數(shù)據(jù)
        4.1.1 數(shù)據(jù)集
        4.1.2 評(píng)價(jià)指標(biāo)
    4.2 實(shí)驗(yàn)設(shè)置
        4.2.1 批量標(biāo)準(zhǔn)化和激活函數(shù)選擇
        4.2.2 損失函數(shù)
        4.2.3 預(yù)處理
        4.2.4 訓(xùn)練機(jī)制
    4.3 模型訓(xùn)練
    4.4 實(shí)驗(yàn)結(jié)果
    4.5 消融實(shí)驗(yàn)
        4.5.1 ResNeXt模塊性能驗(yàn)證實(shí)驗(yàn)
        4.5.2 密集連接融合模塊性能驗(yàn)證實(shí)驗(yàn)
        4.5.3 多尺度優(yōu)化模塊性能驗(yàn)證實(shí)驗(yàn)
    4.6 本章小結(jié)
第5章 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
參考文獻(xiàn)
致謝
攻讀碩士學(xué)位期間發(fā)表的學(xué)術(shù)論文
學(xué)位論文評(píng)閱及答辯情況表


【參考文獻(xiàn)】：
期刊論文
[1]腦膠質(zhì)瘤臨床診斷與治療：積于跬步 蓄勢(shì)超越[J]. 楊學(xué)軍,江濤.  中國(guó)現(xiàn)代神經(jīng)疾病雜志. 2019(11)
[2]功能化納米探針用于腦膠質(zhì)瘤精準(zhǔn)診療研究進(jìn)展[J]. 盛宗海,李三清,胡德紅,高篤陽,鄭海榮.  集成技術(shù). 2020(01)
[3]腦轉(zhuǎn)移瘤的MRI研究進(jìn)展[J]. 李瑞,馮峰.  CT理論與應(yīng)用研究. 2019(05)
[4]多模態(tài)MR對(duì)腦膠質(zhì)瘤術(shù)后放療靶區(qū)勾畫的一致性分析[J]. 徐曉曦,張蔚,宋瓊.  中國(guó)醫(yī)療設(shè)備. 2019(07)
[5]ReLU激活函數(shù)優(yōu)化研究[J]. 蔣昂波,王維維.  傳感器與微系統(tǒng). 2018(02)

博士論文
[1]基于深度神經(jīng)網(wǎng)絡(luò)的腫瘤圖像分析與處理[D]. 昌杰.中國(guó)科學(xué)技術(shù)大學(xué) 2019

碩士論文
[1]基于多級(jí)聯(lián)卷積神經(jīng)網(wǎng)絡(luò)和條件隨機(jī)場(chǎng)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)的腦腫瘤分割[D]. 張浩.云南大學(xué) 2018
[3]基于3維全卷積DenseNet的MRI腦膠質(zhì)瘤多區(qū)域分割算法研究[D]. 黃奕暉.南方醫(yī)科大學(xué) 2018
[4]基于深度信任網(wǎng)絡(luò)的腦腫瘤提取方法的研究與實(shí)現(xiàn)[D]. 李雪瑞.電子科技大學(xué) 2018



本文編號(hào)：3181184