發(fā)布時(shí)間：2024-05-12 01:02

　　腹部存在許多重要器官,而腹部醫(yī)學(xué)圖像是腹部器官疾病的重要診斷依據(jù),在臨床實(shí)踐中,醫(yī)生對(duì)腹部器官和腫瘤的自動(dòng)分割算法提出了很高的要求。然而,基于醫(yī)學(xué)圖像的分割方法的研究存在諸多困難和挑戰(zhàn):醫(yī)學(xué)圖像中嚴(yán)重的類間不平衡、差異小的問題;沒有充足的標(biāo)注數(shù)據(jù);器官中腫瘤的數(shù)量、形狀、大小、位置的多樣性等,這些問題極易造成漏檢、分割效果差等情況。隨著人工智能和計(jì)算機(jī)視覺技術(shù)的不斷成熟,基于醫(yī)學(xué)圖像的計(jì)算機(jī)輔助診斷技術(shù)進(jìn)入了快速發(fā)展的階段。機(jī)器學(xué)習(xí),特別是深度學(xué)習(xí)在醫(yī)學(xué)圖像識(shí)別、分類和配準(zhǔn)等方面起著至關(guān)重要的作用。自從全卷積網(wǎng)絡(luò)(FCN)在語(yǔ)義分割中被提出后,出現(xiàn)了許多基于FCN的醫(yī)學(xué)圖像分割模型,其中U-Net是最成功的模型之一。然而,U-Net和U-Net的變體往往犧牲真實(shí)的分辨率來(lái)追求高層次的特性。另外,醫(yī)學(xué)圖像分割模型捕獲多尺度特征并產(chǎn)生長(zhǎng)距離相關(guān)性的能力也很少受到關(guān)注。由于上述問題的存在,目前尚未出現(xiàn)能夠有效應(yīng)用于臨床的器官及腫瘤分割的輔助診斷工具,因此,本文對(duì)基于改進(jìn)全卷積神經(jīng)網(wǎng)絡(luò)的腹部圖像分割方法進(jìn)行研究,主要工作包括:(1)基于上下文拼接網(wǎng)絡(luò)的腹部圖像分割方法研究,在醫(yī)學(xué)圖像分割任務(wù)中...

【文章頁(yè)數(shù)】：67 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖１－２醫(yī)學(xué)圖像示例??

?第一章緒論???于醫(yī)學(xué)圖像分割中目標(biāo)區(qū)域在整張切片中所占據(jù)的比例往往很小，需要將目標(biāo)？區(qū)域框??出，或者設(shè)定目標(biāo)占據(jù)輸入圖像的比例，避免輸入圖像為完全背景的圖像。??其次，是上下文拼接阿絡(luò)的研宄。根據(jù)對(duì)國(guó)內(nèi)醫(yī)院中的腹部ＣＴ、ＭＲ圖像的了??解，將本文的研究童點(diǎn)放在２Ｄ模型。不同....

圖２－１模型示例??常見的兩種短跳躍連接是ＲｅｓＮｅｔ［２２＾Ｄ?ＤｅｎＳｅＮｅｔ［２３］中提出的殘差模塊及稠密模塊，??如圖２－２所示

?華南理工太學(xué)碩＇士學(xué)位論文???改進(jìn)了圖像分割的準(zhǔn)確率。??ＦＣＮ和Ｕ－Ｎｅｔ提出后，許多類似的網(wǎng)絡(luò)結(jié)構(gòu)被提出，其中較為經(jīng)典的改進(jìn)思路就是??跳躍連接和輔助分類器，圖２－１為一個(gè)模型示例。除了?Ｕ－Ｎｅｔ中提出的長(zhǎng)跳躍連接之外，??還在特征提取器中加入了短跳躍連接，以及在＃？張....

圖２－２殘差模塊與稠密模塊示意個(gè)??，，２－２３Ｘ３，

?華南理工太學(xué)碩＇士學(xué)位論文???改進(jìn)了圖像分割的準(zhǔn)確率。??ＦＣＮ和Ｕ－Ｎｅｔ提出后，許多類似的網(wǎng)絡(luò)結(jié)構(gòu)被提出，其中較為經(jīng)典的改進(jìn)思路就是??跳躍連接和輔助分類器，圖２－１為一個(gè)模型示例。除了?Ｕ－Ｎｅｔ中提出的長(zhǎng)跳躍連接之外，??還在特征提取器中加入了短跳躍連接，以及在＃？張....

圖３－２顯示了歸一化前后圖像切片的示例，經(jīng)過婦一化的圖像能夠起到預(yù)分割的效??

?第三謂基于上下文拼接網(wǎng)絡(luò)的腹部圖像分猶方法???

本文編號(hào)：3970624