膠質(zhì)瘤是一種嚴(yán)重影響人體健康的常見(jiàn)原發(fā)性腦腫瘤。在膠質(zhì)瘤治療領(lǐng)域,磁共振成像(Magnetic Resonance Imaging,MRI)以其強(qiáng)對(duì)比度、高分辨率和對(duì)病灶的敏感性成為腦內(nèi)病變識(shí)別和分類(lèi)的重要工具。通過(guò)對(duì)膠質(zhì)瘤的分割,醫(yī)生可以定位并獲得膠質(zhì)瘤的大小,進(jìn)而制定精準(zhǔn)的治療方案。但是膠質(zhì)瘤的復(fù)雜病灶特征和抽象的非規(guī)則表達(dá)使得精確分割成為挑戰(zhàn)。傳統(tǒng)的分割方法過(guò)于依賴(lài)醫(yī)生的臨床經(jīng)驗(yàn)且耗時(shí)耗力,對(duì)于不同醫(yī)生而言,同一患者的MRI圖像可能會(huì)得出不同結(jié)論。如何有效的從膠質(zhì)瘤圖像信息中獲取關(guān)鍵的病灶特征,對(duì)目標(biāo)區(qū)域?qū)崿F(xiàn)精準(zhǔn)的語(yǔ)義分割是當(dāng)前醫(yī)學(xué)影像學(xué)和深度學(xué)習(xí)領(lǐng)域迫切需要解決的問(wèn)題。為進(jìn)一步提高膠質(zhì)瘤分割精度,本文從數(shù)據(jù)增強(qiáng)、算法結(jié)構(gòu)、對(duì)抗思想等三方面研究其對(duì)膠質(zhì)瘤分割結(jié)果的影響。主要?jiǎng)?chuàng)新點(diǎn)如下:(1)針對(duì)數(shù)據(jù)增強(qiáng)是如何影響膠質(zhì)瘤分割結(jié)果的問(wèn)題,本文在數(shù)據(jù)預(yù)處理階段,首先定義數(shù)據(jù)增強(qiáng)產(chǎn)生的圖片數(shù)量與訓(xùn)練集總數(shù)量的比值為數(shù)據(jù)增強(qiáng)比例(Data Augmentation Ratio,DAR),通過(guò)傳統(tǒng)的數(shù)據(jù)增強(qiáng),基于單一數(shù)據(jù)集的數(shù)據(jù)增強(qiáng)和基于圖像翻譯的數(shù)據(jù)增強(qiáng)等三種方法詳細(xì)論證了其在不同DAR作...

【文章頁(yè)數(shù)】：76 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 課題背景與意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 基于傳統(tǒng)方法的圖像分割
        1.2.2 基于卷積神經(jīng)網(wǎng)絡(luò)的語(yǔ)義分割
        1.2.3 基于生成對(duì)抗網(wǎng)絡(luò)的語(yǔ)義分割
    1.3 研究?jī)?nèi)容與章節(jié)安排
        1.3.1 論文主要研究?jī)?nèi)容
        1.3.2 本文的章節(jié)安排
2 膠質(zhì)瘤MRI圖像及分割技術(shù)
    2.1 MRI圖像
        2.1.1 MRI特性
        2.1.2 膠質(zhì)瘤圖像的分割難點(diǎn)
    2.2 卷積神經(jīng)網(wǎng)絡(luò)
        2.2.1 卷積神經(jīng)網(wǎng)絡(luò)基本組件
        2.2.2 經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
    2.3 生成對(duì)抗網(wǎng)絡(luò)
        2.3.1 生成對(duì)抗網(wǎng)絡(luò)原理
        2.3.2 GAN的演進(jìn)
    2.4 語(yǔ)義分割與數(shù)據(jù)增強(qiáng)
        2.4.1 語(yǔ)義分割的演進(jìn)
        2.4.2 有監(jiān)督的數(shù)據(jù)增強(qiáng)
        2.4.3 無(wú)監(jiān)督的數(shù)據(jù)增強(qiáng)
    2.5 本章小結(jié)
3 基于最優(yōu)DAR的膠質(zhì)瘤分割模型
    3.1 數(shù)據(jù)增強(qiáng)策略
        3.1.1 數(shù)據(jù)預(yù)處理
        3.1.2 最優(yōu)DAR策略
    3.2 數(shù)據(jù)增強(qiáng)的實(shí)現(xiàn)
        3.2.1 基于傳統(tǒng)方法的數(shù)據(jù)增強(qiáng)
        3.2.2 基于單一數(shù)據(jù)集的數(shù)據(jù)增強(qiáng)
        3.2.3 基于圖像翻譯的數(shù)據(jù)增強(qiáng)
    3.3 分割網(wǎng)絡(luò)的選取
    3.4 實(shí)驗(yàn)結(jié)果與分析
        3.4.1 數(shù)據(jù)獲取
        3.4.2 參數(shù)設(shè)置
        3.4.3 評(píng)價(jià)標(biāo)準(zhǔn)
        3.4.4 結(jié)果分析
    3.5 本章小結(jié)
4 基于RD2A-GAN的膠質(zhì)瘤分割模型
    4.1 條件生成對(duì)抗網(wǎng)絡(luò)概述
    4.2 基于RD2A-GAN的膠質(zhì)瘤分割網(wǎng)絡(luò)
        4.2.1 整體框架設(shè)計(jì)
        4.2.2 損失函數(shù)定義
    4.3 框架結(jié)構(gòu)
        4.3.1 雙注意力機(jī)制
        4.3.2 殘差緊密模塊
        4.3.3 生成器RD2A-Net的構(gòu)建
        4.3.4 判別器網(wǎng)絡(luò)的構(gòu)建
    4.4 實(shí)驗(yàn)結(jié)果與分析
        4.4.1 數(shù)據(jù)獲取
        4.4.2 參數(shù)設(shè)置
        4.4.3 模型訓(xùn)練
        4.4.4 結(jié)果分析
    4.5 本章小結(jié)
5 總結(jié)與展望
    5.1 工作總結(jié)
    5.2 工作展望
參考文獻(xiàn)
個(gè)人簡(jiǎn)介、在校期間發(fā)表的學(xué)術(shù)論文及研究成果
致謝



本文編號(hào)：3853581