基于注意力机制的三维超声影像的多尺度目标识别的研究

《基于注意力机制的三维超声影像的多尺度目标识别的研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、辦｛謂我衫＿硕士学位论文＿參Ｉ基于注意力机制的三维超声影像的多尺度目标识别的研究作者姓名王晓东指导教师姓名、职称刘西洋教授申请学位类别工学硕士西安电子科技大学学位论文独创性（或创新性）声明秉承学校严谨的学风和优良的科学道德，本人声明所呈交的论文是我个人在导师指导下进行的研宄工作及取得的研宄成果。尽我所知，除了文中特别加以标注和致谢中所罗列的内容以外，论文中不包含其他人已经发表或撰写过的研究成果；也不包含为获得西安电子科技大学或其它教育机构的学位或证书而使用过的材料一。与我同工作的同事对本研宄所做的任何贡献均己在论文中作了明确的说明并表示

2、了谢意。一学位论文若有不实之处。，本人承担切法律责任本人签名：日期：＞屯、ｉｎ西安电子科技大学关于论文使用授权的说明本人完全了解西安电子科技大学有关保留和使用学位论文的规定：研宄生，即在校攻读学位期间论文工作的知识产权属于西安电子科技大学。学校有权保留送交论文的复印件，允许查阅、借阅论文；学校可以公布论文的全部或部分内容，允许采用影印、缩印或其它复制手段保存论文。同时本人保证，结合学位论文研宄成果完成的论文、发明专利等成果，署名单位为西安电子科技大学。保密的学位论文在。＿年解密后适用本授权书本人签名：：、导师签名日期：ｈ／ｆ日

3、期：到分－学校代码10701学号1503121587分类号TP31密级公开西安电子科技大学硕士学位论文基于注意力机制的三维超声影像的多尺度目标识别的研究作者姓名：王晓东一级学科：计算机科学与技术二级学科：计算机软件与理论学位类别：工学硕士指导教师姓名、职称：刘西洋教授学院：计算机学院提交日期：2018年6月Multi-scaleTargetRecognitionof3DUltrasoundImagesBasedonAttentionAthesissubmittedtoXIDIANUNIVERSITYinpartialfulfillmentoftherequirementsforthede

4、greeofMasterinComputerSoftwareandTheoryByXiaodongWangSupervisor:XiyangLiuTitle:ProfessorJune2018摘要摘要随着计算机软硬件基础设施的发展，以及社会的日益数字化驱动所带来的海量数据的积累，使得以数据驱动为基础的深度学习的研究迅速发展。同时，在医学影像领域，随着医学成像技术的发展，日益精细化的医学影像能够提供大量有价值的信息，帮助医生对疾病做出更准确的诊断。乳腺癌在女性群体中是发病率最高、死亡率最高的癌症。早期发现和治疗可以有效降低乳腺癌死亡率，而乳腺超声检查作为有效的检查手段，也在大多数国家和地区被广

5、泛运用。自动乳房三维容积超声扫描检查作为新兴医疗诊断技术，可以自动扫描整个乳房并生成三维图像，医生在标准化的图片平台既可以随时查看病人的影像，有效的提升了早期乳腺癌的检出率。然而，医疗资源在很多国家和地区的严重匮乏且分配不均衡，最终的诊断结果严重依赖于医生的主观经验，且完整的诊断需要耗费大量时间。本研究以医院提供的临床高质量乳腺三维容积超声数据作为基础，基于深度学习的注意力机制构建一个计算机自动乳腺病灶识别的模型，为进一步的乳腺癌计算机自动诊断/筛查提供关键的支撑。相比传统的二维影像的研究，本研究处理的是三维影像。根据问题的特点，本研究主要从单个数据样本大、目标体积非常小的角度分析。针对三维

6、容积影像单个样本体积大，受医生临床的诊断过程的启发，提出了“基于注意力机制的三维影像目标检测两阶段模型3DMSA-CNN”作为整体框架。针对乳腺癌存在大量小病灶的情况，提出了“基于三维卷积的多尺度病灶检测与定位”模型。为了降低目标识别的假阳性率，提高恶性病灶识别的敏感性，提出了“基于三维卷积神经网络的病灶细分类”模型。基于三维卷积的多尺度病灶检测与定位模型作为第一阶段，通过将输入的影像进行多尺度特征提取，并通过插值将多级特征进行融合，提高了浅层特征的语义表达能力。为了提高对不同尺度病灶的检测能力，采用了密集的候选框检测。并采用FocalLoss损失函数，解决了由于密集候选框导致的正负样本极度

7、的不平衡的问题。由于计算机硬件的限制，在模型实现过程中，将数据在输入模型之前进行了池化层降采样。为了提升模型整体的泛化能力，将BatchNorm层修改为多GPU同步模式，并将模型由单精度浮点改为半精度浮点。基于三维卷积神经网络的病灶细分类模型作为第二阶段，通过第一阶段预测的疑似候选区域，从原始影像中获取对应的区域，进行进一步的细分类。通过优化实现3DDenseNet，实现了显存的高效利用，提升了模型的单个批次