• 主题
高级搜索  >
历史搜索 清空历史
首页> 中文学位 >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
【6h】

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

代理获取
页面导航
  • 目录
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

目录

第一个书签之前

展开▼

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（Magnetic Resonance Imaging，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（Convolutional Neural Network，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（Fully Convolutional Network，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、Mean IU、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。

著录项

相似文献

  • 中文文献
  • 外文文献
  • 专利
代理获取

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号