腦膠質(zhì)瘤是一種常見的腦部腫瘤疾病,它在腦部腫瘤中所占的比例高達(dá)七成,腦膠質(zhì)瘤發(fā)展到惡性程度時有著非常高的致死率,如今腦膠質(zhì)瘤成為了影響人們身體健康的重大疾病之一。腦部核磁共振影像檢查是一種常用的診斷腦膠質(zhì)瘤病變的技術(shù)手段,其中腦膠質(zhì)瘤區(qū)域的確定對患者后續(xù)的手術(shù)計劃以及治療方案起著重要的作用。腫瘤區(qū)域的確定主要依賴影像科醫(yī)生的專業(yè)知識及手動勾畫,然而醫(yī)生的手動勾畫難免產(chǎn)生漏診誤診等現(xiàn)象,并且手動勾畫非常費時繁瑣,因此,通過計算機(jī)輔助的自動化腦膠質(zhì)瘤分割顯得十分必要。計算機(jī)輔助系統(tǒng)的自動分割結(jié)果不僅可以減小醫(yī)生的工作量,還可以為腦膠質(zhì)瘤的臨床診療提供一定的輔助。本文通過對腦膠質(zhì)瘤分割處理中圖像配準(zhǔn),分割建模等關(guān)鍵技術(shù)進(jìn)行研究和改進(jìn),以期能夠提高腦膠質(zhì)瘤分割的精度和可靠性。研究工作主要包含以下兩個方面的內(nèi)容:（1）針對待分割圖像存在空間偏差,影響分割效果的問題,在數(shù)據(jù)預(yù)處理階段,提出一種基于3D多模態(tài)腦膠質(zhì)瘤MR影像數(shù)據(jù)的聯(lián)合配準(zhǔn)算法。圖像配準(zhǔn)算法可以對多個序列的MR影像之間的偏差進(jìn)行對齊,使得數(shù)據(jù)規(guī)范化的同時,共享同一分割結(jié)果。本文提出的配準(zhǔn)算法使用高斯混合模型對圖像中的像素強(qiáng)度與特征點分... 

【文章來源】：鄭州大學(xué)河南省 211工程院校

【文章頁數(shù)】：73 頁

【學(xué)位級別】：碩士

【部分圖文】：

研究方法框架圖

的就是特征降維，它在保留有效信息的同時進(jìn)行特征降維，也在一定程度上避免了過擬合。常用的池化操作有，最大池化，最小池化以及平均池化。通過下采樣操作可以忽略圖像中的平移、旋轉(zhuǎn)等變化，這使得網(wǎng)絡(luò)對于輸入保持幾何不變性。下面對卷積神經(jīng)網(wǎng)絡(luò)中的這些基本組件進(jìn)行詳細(xì)介紹。卷積層由卷積核組成，通過卷積核在圖像中不同位置進(jìn)行運算從而學(xué)習(xí)到各種特征。對于卷積操作，類似于濾波操作提取頻段信息，卷積核中參數(shù)經(jīng)過訓(xùn)練之后可以學(xué)習(xí)到圖像中輪廓信息，邊緣信息以及顏色信息等。下面通過圖示介紹具體的卷積計算，如圖2.1所示。卷積計算由卷積核在輸入矩陣（原始圖像或上層特征圖）上，由左至右，由上到下以步長為1進(jìn)行滑動遍歷，在每一個遍歷到的位置上，卷積核中數(shù)值與輸入矩陣中相對應(yīng)的值做乘積運算，最后對所有乘積進(jìn)行求和。16345148737124183214316273992026159350233083711000001053554669796440351圖2.1卷積操作示意圖圖中所示為輸入矩陣中的第一個位置的卷積操作，輸入矩陣的所有位置經(jīng)過卷積后，最終結(jié)果為右側(cè)矩陣。卷積核的數(shù)值即為網(wǎng)絡(luò)經(jīng)過訓(xùn)練學(xué)習(xí)到的參數(shù)，通過合理設(shè)置網(wǎng)絡(luò)的結(jié)構(gòu)與訓(xùn)練細(xì)節(jié)，卷積核可以學(xué)習(xí)到能夠提取具有代表性特征的權(quán)重參數(shù)。池化層是卷積神經(jīng)網(wǎng)絡(luò)的另一重要組件，其主要功能是對特征圖進(jìn)行下采

池化操

【參考文獻(xiàn)】：
期刊論文
[1]基于MRI的腦腫瘤分割技術(shù)研究進(jìn)展[J]. 萬俊,聶生東,王遠(yuǎn)軍.  中國醫(yī)學(xué)物理學(xué)雜志. 2013(04)

碩士論文
[1]基于Hough變換定位與遺傳算法的腦腫瘤分割方法研究[D]. 孔媛媛.南昌航空大學(xué) 2018
[2]基于3D自適應(yīng)模板匹配的腦腫瘤檢測算法研究[D]. 王曉飛.上海理工大學(xué) 2015



本文編號：3539766