近年來,乳腺癌在女性疾病中的發(fā)病率越來越高,同時也是導致女性死亡最嚴重疾病之一。為了有效并且及時地發(fā)現(xiàn)乳腺癌,提高患者的生存質(zhì)量,越來越多的研究人員致力于乳腺癌圖像的檢測分析技術。在眾多醫(yī)學影像檢測技術中,核磁共振成像是一種有效的乳腺癌檢測工具。因此基于乳腺核磁共振成像(MRI)的自動腫瘤分割,是當今的研究熱點之一。雖然深度學習技術在乳腺腫瘤圖像處理方面有很多突破,但是仍然存在一些難點�；谌橄倌[瘤MRI分割的挑戰(zhàn)主要包括以下兩點:一方面,病灶區(qū)域與正常組織之間的大小嚴重失衡,屬于類別不平衡問題;另一方面,正常組織與病灶之間相互重疊,會影響到檢測結(jié)果。為了應對上述乳腺腫瘤分割的挑戰(zhàn),本文提出一種基于兩級上下文增強殘差注意力的多尺度密集編碼-解碼器(TLCRAM-MDED)。對于TLCRAM-MDED,在編碼階段中,本文將兩級殘差注意力模塊(TLCRAM)與基于密集塊的編碼結(jié)構(gòu)相結(jié)合,用以重復利用不同層的特征并且細化特征。同時,在編碼器的末端使用多尺度信息感知模塊替代傳統(tǒng)池化,從而獲得更大的感受野,豐富提取的語義信息,避免因為下采樣操作而造成信息丟失。在解碼階段中,通過與編碼器TLCRA...

【文章頁數(shù)】：79 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景和意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 傳統(tǒng)的乳腺腫瘤分割方法
        1.2.2 基于深度學習的乳腺腫瘤分割方法
    1.3 研究內(nèi)容
    1.4 本文組織架構(gòu)
    1.5 本章小結(jié)
第二章 相關技術介紹
    2.1 卷積神經(jīng)網(wǎng)絡
        2.1.1 經(jīng)典的特征提取網(wǎng)絡
        2.1.2 全卷積神經(jīng)網(wǎng)絡
    2.2 注意力機制
        2.2.1 基于LSTM的注意力
        2.2.2 空間轉(zhuǎn)換網(wǎng)絡
        2.2.3 通道注意力
    2.3 多尺度信息提取
        2.3.1 多尺度注意力畫框生成
        2.3.2 多尺度空洞卷積
    2.4 本章小結(jié)
第三章 基于兩級上下文增強的殘差注意力模塊
    3.1 基于注意力機制的病灶定位
    3.2 注意力模塊構(gòu)建
        3.2.1 兩級上下文增強注意力
        3.2.2 基于殘差注意力的長-短連接網(wǎng)絡
    3.3 特征圖的可視化
    3.4 本章小結(jié)
第四章 多尺度信息感知的病灶分割網(wǎng)絡
    4.1 通道擴充模塊
    4.2 基于共享內(nèi)存的特征提取單元
    4.3 多尺度信息感知模塊
    4.4 基于跳躍連接的解碼器
    4.5 本章小結(jié)
第五章 實驗設計與結(jié)果分析
    5.1 實驗環(huán)境
    5.2 實驗設置
        5.2.1 數(shù)據(jù)集
        5.2.2 訓練參數(shù)設置
        5.2.3 評估指標
    5.3 乳腺腫瘤分割實驗設計與結(jié)果分析
        5.3.1 分割網(wǎng)絡策略貢獻分析
        5.3.2 注意力模塊TLCRAM分析
        5.3.3 多尺度信息感知模塊分析
        5.3.4 分割結(jié)果與其他模型比較
    5.4 乳腺癌前哨淋巴結(jié)轉(zhuǎn)移預測實驗
        5.4.1 多尺度雙路感知病灶模型構(gòu)建
        5.4.2 乳腺癌前哨淋巴結(jié)轉(zhuǎn)移預測結(jié)果
    5.5 本章小結(jié)
第六章 總結(jié)與展望
    研究工作總結(jié)
    工作展望
參考文獻
攻讀碩士學位期間取得的研究成果
致謝
附件



本文編號：3807547