基于深度学习的胶质瘤分割策略研究

发布时间：2023-10-12 05:56

　　胶质瘤是一种严重影响人体健康的常见原发性脑肿瘤。在胶质瘤治疗领域,磁共振成像(Magnetic Resonance Imaging,MRI)以其强对比度、高分辨率和对病灶的敏感性成为脑内病变识别和分类的重要工具。通过对胶质瘤的分割,医生可以定位并获得胶质瘤的大小,进而制定精准的治疗方案。但是胶质瘤的复杂病灶特征和抽象的非规则表达使得精确分割成为挑战。传统的分割方法过于依赖医生的临床经验且耗时耗力,对于不同医生而言,同一患者的MRI图像可能会得出不同结论。如何有效的从胶质瘤图像信息中获取关键的病灶特征,对目标区域实现精准的语义分割是当前医学影像学和深度学习领域迫切需要解决的问题。为进一步提高胶质瘤分割精度,本文从数据增强、算法结构、对抗思想等三方面研究其对胶质瘤分割结果的影响。主要创新点如下:(1)针对数据增强是如何影响胶质瘤分割结果的问题,本文在数据预处理阶段,首先定义数据增强产生的图片数量与训练集总数量的比值为数据增强比例(Data Augmentation Ratio,DAR),通过传统的数据增强,基于单一数据集的数据增强和基于图像翻译的数据增强等三种方法详细论证了其在不同DAR作...

【文章页数】：76 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 课题背景与意义
    1.2 国内外研究现状
        1.2.1 基于传统方法的图像分割
        1.2.2 基于卷积神经网络的语义分割
        1.2.3 基于生成对抗网络的语义分割
    1.3 研究内容与章节安排
        1.3.1 论文主要研究内容
        1.3.2 本文的章节安排
2 胶质瘤MRI图像及分割技术
    2.1 MRI图像
        2.1.1 MRI特性
        2.1.2 胶质瘤图像的分割难点
    2.2 卷积神经网络
        2.2.1 卷积神经网络基本组件
        2.2.2 经典卷积神经网络结构
    2.3 生成对抗网络
        2.3.1 生成对抗网络原理
        2.3.2 GAN的演进
    2.4 语义分割与数据增强
        2.4.1 语义分割的演进
        2.4.2 有监督的数据增强
        2.4.3 无监督的数据增强
    2.5 本章小结
3 基于最优DAR的胶质瘤分割模型
    3.1 数据增强策略
        3.1.1 数据预处理
        3.1.2 最优DAR策略
    3.2 数据增强的实现
        3.2.1 基于传统方法的数据增强
        3.2.2 基于单一数据集的数据增强
        3.2.3 基于图像翻译的数据增强
    3.3 分割网络的选取
    3.4 实验结果与分析
        3.4.1 数据获取
        3.4.2 参数设置
        3.4.3 评价标准
        3.4.4 结果分析
    3.5 本章小结
4 基于RD2A-GAN的胶质瘤分割模型
    4.1 条件生成对抗网络概述
    4.2 基于RD2A-GAN的胶质瘤分割网络
        4.2.1 整体框架设计
        4.2.2 损失函数定义
    4.3 框架结构
        4.3.1 双注意力机制
        4.3.2 残差紧密模块
        4.3.3 生成器RD2A-Net的构建
        4.3.4 判别器网络的构建
    4.4 实验结果与分析
        4.4.1 数据获取
        4.4.2 参数设置
        4.4.3 模型训练
        4.4.4 结果分析
    4.5 本章小结
5 总结与展望
    5.1 工作总结
    5.2 工作展望
参考文献
个人简介、在校期间发表的学术论文及研究成果
致谢



本文编号：3853581