人工智能與計算機(jī)視覺近年來蓬勃發(fā)展,成為互聯(lián)網(wǎng)行業(yè)與工業(yè)界的重要組成部分。深度學(xué)習(xí)算法,特別是卷積神經(jīng)網(wǎng)絡(luò),在人工智能算法中脫穎而出。對于復(fù)雜數(shù)據(jù)集的分析,深度學(xué)習(xí)的效果已遠(yuǎn)遠(yuǎn)領(lǐng)先其他傳統(tǒng)算法,利用深度學(xué)習(xí)來進(jìn)行圖像處理已成為當(dāng)下的熱門方法。圖像分割作為計算機(jī)視覺的主要研究內(nèi)容,已經(jīng)應(yīng)用于諸多領(lǐng)域,例如智能醫(yī)療,自動駕駛,室內(nèi)導(dǎo)航,人機(jī)交互,虛擬或增強(qiáng)現(xiàn)實,機(jī)器人,圖片美化,智能農(nóng)業(yè)等等。越來越多的產(chǎn)品需要基于深度學(xué)習(xí)的圖像分割算法作為技術(shù)支撐。在智能醫(yī)療領(lǐng)域中,醫(yī)學(xué)圖像分析成為當(dāng)下研究熱門。腦腫瘤是由于不可控因素導(dǎo)致細(xì)胞癌變增生而引起的一種異常組織,嚴(yán)重威脅人類生命健康,是醫(yī)學(xué)領(lǐng)域難以攻克的疾病之一。將腦部核磁共振影像中的腦腫瘤各區(qū)域分割出來,判斷水腫、增強(qiáng)、壞死等區(qū)域的確切位置,對于后期的診斷與治療起到關(guān)鍵作用。傳統(tǒng)的腦腫瘤分割方法是由放射科專家根據(jù)解剖學(xué)與病理學(xué)知識,借助特定的軟件進(jìn)行人工分割,為數(shù)據(jù)標(biāo)注出標(biāo)簽。這種方式耗時耗力,標(biāo)注的正確率因個人能力產(chǎn)生差異,并且存在不穩(wěn)定性。因此,傳統(tǒng)的腦腫瘤分割方法在分割速度、分割精度上都難以達(dá)到臨床使用的需求。針對以上問題和背景,本論文完... 

【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)】：61 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖２－１最大池化示意圖??隨著池化的進(jìn)行，網(wǎng)絡(luò)后面的特征尺度減小，同時隨著卷積核的增多，特征??

ｔｉｌｅ?Ｊｉ?，?／ｒ?ｓｅｇｍｅｎｔａｔｉｏｎ??＾?￥?ｆ；?ｓ?ｍａｐ??ｓ?１１?Ｉ?Ｉ?ｉ?｜??Ｘ?Ｈ?＜?．?＇?屬－ｉｌ??ｉｒ．?ｉｓ??ｓ?ｓ笑?？??聲Ｌ茂１２Ｓ??ｆｌ?２Ｓ？?１２３??＿＿＿＿＿】聲??會?Ｉ徐畫—￣￣￣＾塗?？＿／３ｘ３．ＲｅＬＵ??￣ｉ?－－?ｙ?＂ｃｏｐｙａｎｄｃｒｏｐ??＾?＂！?Ｑ＾Ｅ１＊Ｓ１?ｆ?ｍａｘ?ｐｏｏ！?２ｘ２??二？?ｉ〇￡４?謄?４?ｕｐ－ｃｏｎｖ?２ｘ２??＾ｃ〇ｎｙｌｘｌ??圖２－２Ｕ－Ｎｅｔ模型結(jié)構(gòu)圖［４］??ＳｅｇＮｅＷ對輸入圖像進(jìn)行低維編碼，然后利用解碼器的方向不變性恢復(fù)圖像。??這將在解碼器端生成分段圖像。Ｓｅｇｎｅｔ與ＦＣＮ結(jié)構(gòu)相似但上釆樣方式不同？?ＦＣＮ??使用反卷積上采樣，而Ｓｅｇｎｅｔ記錄池化過程中最大值的坐標(biāo)位置，在上采樣的過??程中將特征圖的值映射到對應(yīng)的位置，新特征圖的其他位置特征值置零。??Ｄｅｃｏｎｖｎｅｔｆ９］在下釆樣過程中，編碼器部分與Ｓｅｇｎｅｔ都采用ＶＧＧ１６［１Ｑ］的結(jié)構(gòu)。??ＤｅｃｏｎｖＮｅｔ與Ｓｅｇｎｅｔ的不同之處在于網(wǎng)絡(luò)最后增加了兩層全連接層。??上述四種網(wǎng)絡(luò)結(jié)構(gòu)類似，都是編碼器與解碼器的結(jié)構(gòu)，編碼器部分是卷積層??與池化層的組合，解碼器是上采樣的過程，不同網(wǎng)絡(luò)結(jié)構(gòu)主要是上采樣方法不同。??ＦＣＮ的上釆樣方式是反卷積后與特征圖相加，Ｕ－ｎｅｔ與ＦＣＮ上釆樣方式相同，??ＤｅｃｏｎｖＮｅｔ是根據(jù)下釆樣過程中最大池化的位置，將特征值映射到新的特征圖中，??ＳｅｇＮｅｔ?與?ＤｅｃｏｎｖＮｅｔ?相同。??ＤｅｅｐＬａｂ—的一個主要目的是在幫助控制信號抽取的同時進(jìn)行圖像分割，從

是將全卷積??與全連接結(jié)合，在傳統(tǒng)方法使用全卷積網(wǎng)絡(luò)進(jìn)行分割的基礎(chǔ)上，増加全連接層??從而增加對全局視野的感知能力，提高了網(wǎng)絡(luò)分割的位置精度，具有更好的效??果。??：（ａ）?�。�?（ｂ）?（ｃ）?（ｄ）?｜??Ｉ??！?Ｚ?．．．．．．．．．．．．￣?Ｔ?＾?Ｖ７＂?Ｉｉ?��！?ｆｌ＾?／?＾＾ｍａｓｋ；??！?．“ｆ?－?＾２＾／?ｊ?：?????￣Ｔ＂、廣?誃’??；ｉ?；ｉ?（ｅ）??Ｉ?Ｉ?１?—?．．．．?ｉ?＇?１?ｉ?１??圖２－３路徑聚合分割網(wǎng)絡(luò)［３６１??２．３基于全卷積網(wǎng)絡(luò)的腦腫瘤分割??在腦腫瘤圖像分割算法中，全卷積神經(jīng)網(wǎng)絡(luò)表現(xiàn)優(yōu)異。多數(shù)方法針對Ｕ－Ｎｅｔ??與ＦＣＮ作出了改進(jìn)。??基于全卷積神經(jīng)網(wǎng)絡(luò)的腦腫瘤分割網(wǎng)絡(luò)（ＦＣＮＮ）＿介紹了使用２３層的全卷積??神經(jīng)網(wǎng)絡(luò)從磁共振圖像（ＭＲＩ）中分割膠質(zhì)瘤。??ＶＧＧ［３８］由一個下采樣路徑和三個上釆樣路徑組成，它們通過連接每個上采樣??路徑的層次特征表示來提取多層次的上下文信息。同時，該模型還提出了利用對??稱差分圖像來實現(xiàn)＾？稱驅(qū)動的全卷積網(wǎng)絡(luò)。??ＤＵＮｅｔ［３９］將雙路卷積和ＧｏｏｇＬｅＮｅｔ［４Ｑ］中的ｉｎｃｅｐｔｉｏｎ模塊添加到Ｕ－Ｎｅｔ結(jié)構(gòu)中，??以利用更深層的特征。??混合金字塔Ｕ－Ｎｅｔ［４１］對Ｕ－Ｎｅｔ模型進(jìn)行了擴(kuò)展，提出了一種新的混合金字塔??Ｕ－Ｎｅｔ模型。該模型包括一個下采樣路徑和一個對稱上采樣路徑，將上釆樣和下釆??樣路徑的對稱塊的特征串聯(lián)起來。在上采樣過程中，該模型從每個塊中提取多個??１３??


本文編號：3379135