基于超体素与全卷积神经网络的大脑磁共振图像分割的研究.pdf

基于超体素与全卷积神经网络的大脑磁共振图像分割的研究.pdf

ID:51698656

大小:4.43 MB

页数:65页

时间:2020-03-15

基于超体素与全卷积神经网络的大脑磁共振图像分割的研究.pdf_第1页
基于超体素与全卷积神经网络的大脑磁共振图像分割的研究.pdf_第2页
基于超体素与全卷积神经网络的大脑磁共振图像分割的研究.pdf_第3页
基于超体素与全卷积神经网络的大脑磁共振图像分割的研究.pdf_第4页
基于超体素与全卷积神经网络的大脑磁共振图像分割的研究.pdf_第5页
资源描述:

《基于超体素与全卷积神经网络的大脑磁共振图像分割的研究.pdf》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、学校代码:10286分类号:TP391.4密级:公开UDC:004.8学号:151544基于超体素与全卷积神经网络的大脑磁共振图像分割的研究研究生姓名:杨雨婷导师姓名:舒华忠孔佑勇申请学位类别工学硕士学位授予单位东南大学一级学科名称计算机科学与技术论文答辩日期20年月日二级学科名称图像处理与科学可视化学位授予日期20年月日答辩委员会主席阮键评阅人章品正院盲2018年6月12日硕士学位论文基于超体素与全卷积神经网络的大脑磁共振图像分割的研究专业名称:计算机科学与技术研究生姓名:杨雨婷导师姓名:舒华忠孔佑勇BRAINMAGNETICRESONANC

2、EIMAGESEGMENTATIONBASEDONSUPERVOXELANDFULLYCONVOLUTIONNETWORKAThesisSubmittedtoSoutheastUniversityFortheAcademicDegreeofMasterofEngineeringBYYANGYu-tingSupervisedbyProfessorSHUHua-zhongandKONGYou-yongSchoolofComputerScience&EngineeringSoutheastUniversityJune2018东南大学学位论文独创性声明

3、本人声明所呈交的学位论文是我个人在导师指导下进行的研究工作及取得的研究成果。尽我所知,除了文中特别加以标注和致谢的地方外,论文中不包含其他人已经发表或撰写过的研究成果,也不包含为获得东南大学或其它教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示了谢意。研究生签名:日期:东南大学学位论文使用授权声明东南大学、中国科学技术信息研究所、国家图书馆、《中国学术期刊(光盘版)》电子杂志社有限公司、万方数据电子出版社、北京万方数据股份有限公司有权保留本人所送交学位论文的复印件和电子文档,可以采用

4、影印、缩印或其他复制手段保存论文。本人电子文档的内容和纸质论文的内容相一致。除在保密期内的保密论文外,允许论文被查阅和借阅,可以公布(包括以电子信息形式刊登)论文的全部内容或中、英文摘要等部分内容。论文的公布(包括以电子信息形式刊登)授权东南大学研究生院办理。研究生签名:导师签名:日期:摘要摘要大脑是人体最重要的器官之一,它的健康问题一直是人们关注的重点。随着医学成像技术的发展,磁共振成像技术(MagneticResonanceImaging,MRI)已经成为诊断大脑状况的一个重要手段。大脑图像的分割在临床医学中对疾病诊断、病灶组织的定位以及疾

5、病的治疗方案等具有重要的指导意义,但是手动分割大脑核磁共振图像是一个非常耗时且繁琐的任务。自动、准确地分割大脑MRI图像已经成为医学辅助诊断与治疗的重要话题。卷积神经网络(ConvolutionalNeuralNetwork,CNN)是深度学习领域的一个重要组成部分,它通过优化算法不断优化从数据集中学习到的数据分布,然后将该分布应用于目标数据来完成特定任务,然而传统的CNN并不能直接应用于图像的分割任务。全卷积神经网络(FullyConvolutionalNetwork,FCN)实现了端到端的分类,即直接分割功能。但是FCN这类端到端的卷积神经

6、网络模型也无法避免在下采样等网络传递过程中细节特征的丢失,在上采样时这些细节信息难以恢复。大脑组织纹理复杂,各组织分布分散,细节较多,卷积神经网络中细节信息的丢失会影响大脑组织的细节分割。为了克服全卷积神经网络在处理MRI图像分割问题上的不足,本文设计了一种融合超体素与卷积神经网络的三维脑MRI图像分割算法。经典的Inception模块能通过四个并行分支提供更为稠密的特征信息,这能有效弥补FCN中过多细节信息丢失的问题,所以本文将Inception模块引入到了FCN中。另外,由于超体素具有边界贴合与同质性等特点,能十分方便快速地提供边界、细节信

7、息,因此在三维空间上将超体素提供的细节信息与卷积神经网络学习到的局部、全局特征进行融合,实现脑MRI图像的有效分割。为了评估本文提出的脑MRI图像的分割算法的性能,本文选择了通用的IBSR18和BrainWeb20数据集进行实验,并考察了超体素个数与算法中参数对算法性能的影响。算法性能的评估采用了Dice、MeanIU、AVD和Hausdorff距离四个指标。大量的实验证明,该算法可以将脑MRI图像有效地分割成脑脊液、灰质和白质和背景四个部分,相较于经典算法有显著优势。关键词:超体素,卷积神经网络,大脑,磁共振图像,脑组织分割IAbstract

8、AbstractThebrainisoneofthemostimportantorgansinthebody,anditshealthhasalway

当前文档最多预览五页,下载文档查看全文

此文档下载收益归作者所有

当前文档最多预览五页,下载文档查看全文
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,天天文库负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。