鼻咽癌是一種流行于中國南部且具有高死亡率的惡性腫瘤,在兩廣地區(qū)較為常見,其發(fā)病率高居耳鼻咽喉惡性腫瘤之首。醫(yī)學(xué)圖像上的可靠的鼻咽癌病灶自動(dòng)分割技術(shù)對(duì)于治療計(jì)劃的制定及后續(xù)的治療評(píng)估都具有高度意義。核磁共振成像(MR影像)在檢查軟組織時(shí)具有高空間分辨率特點(diǎn),故其常用于評(píng)估鼻咽癌的位置與形狀。然而,鼻咽癌的病灶形狀多變且體積較小,這使得在MR影像上對(duì)鼻咽癌病灶的自動(dòng)分割成為一個(gè)難題。為了解決這一問題,基于在醫(yī)學(xué)圖像處理領(lǐng)域廣泛使用的深度學(xué)習(xí)算法,本文在鼻咽癌病灶的檢測(cè)與分割兩個(gè)方面分別做出改進(jìn)與創(chuàng)新。本文的主要工作如下:(1)本文提出了一個(gè)基于深度強(qiáng)化學(xué)習(xí)的鼻咽癌病灶檢測(cè)模型。其一,針對(duì)現(xiàn)有的邊界框相似性評(píng)價(jià)指標(biāo)存在的問題進(jìn)行分析,提出了一種獎(jiǎng)賞函數(shù),更合理地對(duì)智能體(agent)采取的動(dòng)作即時(shí)地反饋。其二,本文提出了一種基于先驗(yàn)知識(shí)的探索算法,以合理地縮小訓(xùn)練初期智能體的探索空間,從而加快訓(xùn)練的收斂速度并提升模型的性能。(2)本文基于深度學(xué)習(xí)現(xiàn)有的注意力機(jī)制,提出了一個(gè)循環(huán)注意力機(jī)制,包括兩個(gè)循環(huán)注意力模塊,分別關(guān)注于對(duì)關(guān)鍵的通道與區(qū)域進(jìn)行強(qiáng)調(diào)。循環(huán)注意力機(jī)制利用卷積神經(jīng)網(wǎng)絡(luò)深層特征中的...

【文章頁數(shù)】：87 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 本課題的研究意義
    1.2 本課題的研究現(xiàn)狀與存在的問題
        1.2.1 本課題的研究現(xiàn)狀
        1.2.2 存在的問題與解決思路
    1.3 本課題的主要工作內(nèi)容
    1.4 論文的組織結(jié)構(gòu)
第二章 相關(guān)技術(shù)與鼻咽癌MR影像數(shù)據(jù)集
    2.1 鼻咽癌的核磁共振成像檢查
    2.2 基于醫(yī)學(xué)圖像處理的計(jì)算機(jī)輔助診斷系統(tǒng)
    2.3 語義分割
        2.3.1 基于傳統(tǒng)機(jī)器學(xué)習(xí)的語義分割算法
        2.3.2 基于深度學(xué)習(xí)的語義分割算法
    2.4 強(qiáng)化學(xué)習(xí)
        2.4.1 馬爾可夫決策過程
        2.4.2 價(jià)值函數(shù)與值迭代
        2.4.3 Q-學(xué)習(xí)
        2.4.4 深度強(qiáng)化學(xué)習(xí)
    2.5 鼻咽癌MR影像數(shù)據(jù)集
        2.5.1 數(shù)據(jù)的來源與特點(diǎn)
        2.5.2 數(shù)據(jù)的預(yù)處理
    2.6 本章小結(jié)
第三章 基于深度強(qiáng)化學(xué)習(xí)的鼻咽癌病灶檢測(cè)模型
    3.1 引言
    3.2 檢測(cè)模型的設(shè)計(jì)
        3.2.1 算法建模
        3.2.2 狀態(tài)空間
        3.2.3 動(dòng)作空間
        3.2.4 Q-網(wǎng)絡(luò)
        3.2.5 獎(jiǎng)賞函數(shù)
        3.2.6 探索算法
    3.3 實(shí)驗(yàn)設(shè)置與評(píng)判標(biāo)準(zhǔn)
        3.3.1 實(shí)驗(yàn)設(shè)置
        3.3.2 評(píng)判標(biāo)準(zhǔn)
    3.4 實(shí)驗(yàn)結(jié)果與分析
        3.4.1 關(guān)于獎(jiǎng)賞函數(shù)的對(duì)比實(shí)驗(yàn)
        3.4.2 關(guān)于模型收斂性的對(duì)比實(shí)驗(yàn)
        3.4.3 關(guān)于探索算法的對(duì)比實(shí)驗(yàn)
        3.4.4 與現(xiàn)有模型的對(duì)比實(shí)驗(yàn)
        3.4.5 模型輸出的可視化
    3.5 本章小結(jié)
第四章 基于循環(huán)注意力機(jī)制的鼻咽癌病灶分割模型
    4.1 引言
    4.2 分割模型的設(shè)計(jì)
        4.2.1 Squeeze-and-Excitation模塊
        4.2.2 循環(huán)注意力機(jī)制
        4.2.3 循環(huán)注意力網(wǎng)絡(luò)
        4.2.4 膨脹邊緣加權(quán)的損失函數(shù)
    4.3 實(shí)驗(yàn)設(shè)置與評(píng)判標(biāo)準(zhǔn)
        4.3.1 實(shí)驗(yàn)設(shè)置
        4.3.2 評(píng)判標(biāo)準(zhǔn)
    4.4 實(shí)驗(yàn)結(jié)果與分析
        4.4.1 關(guān)于循環(huán)注意力機(jī)制的對(duì)比實(shí)驗(yàn)
        4.4.2 關(guān)于損失函數(shù)的對(duì)比實(shí)驗(yàn)
        4.4.3 與現(xiàn)有模型的對(duì)比實(shí)驗(yàn)
    4.5 本章小結(jié)
第五章 鼻咽癌病灶檢測(cè)與分割的一體化模型
    5.1 引言
    5.2 檢測(cè)與分割一體化模型的設(shè)計(jì)
    5.3 實(shí)驗(yàn)設(shè)置與評(píng)判標(biāo)準(zhǔn)
    5.4 實(shí)驗(yàn)結(jié)果與分析
    5.5 本章小結(jié)
總結(jié)與展望
參考文獻(xiàn)
攻讀碩士學(xué)位期間取得的研究成果
致謝
附件



本文編號(hào)：3828420