基于深度学习的肝脏及肝肿瘤CT图像分割算法研究
这是一篇关于CT图像,肝脏分割,肝肿瘤分割,深度学习的论文, 主要内容为肝脏是人体内非常重要的实质器官,肝脏疾病严重影响着人体健康,肝癌更是致死率极高的恶性肿瘤之一,精准的肝脏图像分割是医生诊断与治疗过程中的重要参考。由于计算机断层扫描成像(Computed Tomography,CT)具有安全方便、成像速度快、分辨率较高等优点,CT成像成为常用的检查方式。肝脏和肝肿瘤的CT图像具有形态各异、边缘模糊和位置多变等特点,传统上以手动标注实现的CT图像分割,不仅耗时耗力而且易出现分割误差。因此,基于深度学习实现肝脏和肝肿瘤CT图像的全自动化精准分割具有重要的研究意义。对于上述分割难点,本文进行的主要研究内容如下:(1)针对U-Net中存在的信息丢失和特征学习不足问题,本文提出了基于改进UNet的肝脏CT图像分割模型—ACR-Net模型。该模型利用非对称卷积块获取更加复杂的特征信息,有效缓解因卷积操作带来的信息丢失问题。同时为保证特征信息传递的完整性,引入残差连接实现特征重用。最后,通过双向卷积长短时记忆网络连接编码路径和解码路径,实现全局信息的融合。通过在Li TS2017数据集上实验验证,ACR-Net模型缓解了U-Net存在的信息丢失和特征学习不足问题,提高了肝脏分割精确度,DSC数值达到了94.54%。(2)在腹部CT图像中,肝脏与相邻组织器官紧密连接且边界不清晰,导致分割时极易出现分割误差。为提高肝脏分割准确性和精度,本文提出了基于改进双重注意力机制的肝脏CT图像分割模型—DAC-Net模型。该模型利用双重注意力机制减小肝脏相邻组织器官的干扰,获取图像的空间信息特征及通道信息特征,使网络关注肝脏区域信息,提高网络特征表达能力。同时对双重注意力机制进行了改进,提高了模块性能。最后,引入了具有连续空洞卷积的多尺度空洞卷积模块,学习更丰富的具有不同尺度的特征信息。通过在Li TS2017数据集上实验验证,DAC-Net模型显著提升了肝脏的分割效果,在DSC值上达到了96.24%,证明提出模型能够较为精确地分割肝脏。(3)针对肝肿瘤分割中存在的小肿瘤分割丢失、肿瘤分割边缘模糊、错误分割严重等问题,本文提出了基于多尺度密集卷积的肝肿瘤CT图像分割模型—MDR-Net模型。首先,通过在U-Net的编解码结构中引入具备提取多尺度特征能力的多尺度密集卷积模块,获取肝肿瘤的不同尺度特征信息。其次,引入残差卷积跳跃连接,解决了低分辨率信息重复传递的问题,并有效缓解了边缘信息表征不足以及小肿瘤空间信息丢失。通过在Li TS2017数据集上实验验证,MDR-Net模型对肝肿瘤CT图像有较高的分割精度,在DSC值上达到了73.58%,证明了提出模型的有效性及优越性。
基于深度学习的肝脏及肝肿瘤CT图像分割算法研究
这是一篇关于CT图像,肝脏分割,肝肿瘤分割,深度学习的论文, 主要内容为肝脏是人体内非常重要的实质器官,肝脏疾病严重影响着人体健康,肝癌更是致死率极高的恶性肿瘤之一,精准的肝脏图像分割是医生诊断与治疗过程中的重要参考。由于计算机断层扫描成像(Computed Tomography,CT)具有安全方便、成像速度快、分辨率较高等优点,CT成像成为常用的检查方式。肝脏和肝肿瘤的CT图像具有形态各异、边缘模糊和位置多变等特点,传统上以手动标注实现的CT图像分割,不仅耗时耗力而且易出现分割误差。因此,基于深度学习实现肝脏和肝肿瘤CT图像的全自动化精准分割具有重要的研究意义。对于上述分割难点,本文进行的主要研究内容如下:(1)针对U-Net中存在的信息丢失和特征学习不足问题,本文提出了基于改进UNet的肝脏CT图像分割模型—ACR-Net模型。该模型利用非对称卷积块获取更加复杂的特征信息,有效缓解因卷积操作带来的信息丢失问题。同时为保证特征信息传递的完整性,引入残差连接实现特征重用。最后,通过双向卷积长短时记忆网络连接编码路径和解码路径,实现全局信息的融合。通过在Li TS2017数据集上实验验证,ACR-Net模型缓解了U-Net存在的信息丢失和特征学习不足问题,提高了肝脏分割精确度,DSC数值达到了94.54%。(2)在腹部CT图像中,肝脏与相邻组织器官紧密连接且边界不清晰,导致分割时极易出现分割误差。为提高肝脏分割准确性和精度,本文提出了基于改进双重注意力机制的肝脏CT图像分割模型—DAC-Net模型。该模型利用双重注意力机制减小肝脏相邻组织器官的干扰,获取图像的空间信息特征及通道信息特征,使网络关注肝脏区域信息,提高网络特征表达能力。同时对双重注意力机制进行了改进,提高了模块性能。最后,引入了具有连续空洞卷积的多尺度空洞卷积模块,学习更丰富的具有不同尺度的特征信息。通过在Li TS2017数据集上实验验证,DAC-Net模型显著提升了肝脏的分割效果,在DSC值上达到了96.24%,证明提出模型能够较为精确地分割肝脏。(3)针对肝肿瘤分割中存在的小肿瘤分割丢失、肿瘤分割边缘模糊、错误分割严重等问题,本文提出了基于多尺度密集卷积的肝肿瘤CT图像分割模型—MDR-Net模型。首先,通过在U-Net的编解码结构中引入具备提取多尺度特征能力的多尺度密集卷积模块,获取肝肿瘤的不同尺度特征信息。其次,引入残差卷积跳跃连接,解决了低分辨率信息重复传递的问题,并有效缓解了边缘信息表征不足以及小肿瘤空间信息丢失。通过在Li TS2017数据集上实验验证,MDR-Net模型对肝肿瘤CT图像有较高的分割精度,在DSC值上达到了73.58%,证明了提出模型的有效性及优越性。
基于改进的V-Net模型的肝肿瘤图像分割方法
这是一篇关于肝肿瘤分割,V-Net模型,注意力机制,归一化,深度可分离卷积的论文, 主要内容为目前肝脏恶性肿瘤依然是世界上最普遍的癌症之一,它也是人类死亡的主要原因,对人类健康构成了巨大的威胁。为了有效降低癌症死亡率,患者依然需要提前对身体进行全面的检查以及尽早接受治疗。然而由于肝肿瘤与其周围软组织之间的对比度较低,分界不明显,而且对于不同的病人,肝肿瘤的形状,体积,数量和位置等差异明显,同时多种扫描方案导致CT图像存在噪声干扰等问题。由于肝肿瘤分割难度较大,仅仅依赖医生的肉眼检测很难得到精准的分割结果。本文提出了基于V-Net网络模型并以三维CT图像作为模型的输入实现肝肿瘤精准分割的方法,为了提高分割精度并对原始模型提出了一些改进。首先,由于肝肿瘤的CT图像中除了感兴趣的肿瘤区域以外,还有一些软组织等背景信息即不需要的无用区域,而原始V-Net网络不能很好地识别肿瘤信息,相比于小的病灶来说,那些大的病灶更容易被定位和发现,提出将注意力机制模块集成到原始网络中使得模型(AGV-Net)可以更多地关注感兴趣以及较小的肿瘤区域。然后,由于CT图像中存在特别小的肝肿瘤即在整个CT图像中占比较小,原始V-Net模型可能会存在漏检等问题,而模型自带的Dice损失函数重点关注的是图像的全局信息,同时会对反向传播造成不利的影响,针对这个问题,在引入注意力机制后的模型(AGV-Net)的基础上提出了组合损失函数,实验表明了提出的改进对肝肿瘤分割有一定的效果。最后,针对网络层数的增加会导致模型收敛速度过慢的问题,提出在AGV-Net网络中分别加入批归一化层(BN)和组归一化层(GN)对输入数据进行规范化处理来提高输出图像的分割精度与模型的收敛速度。接着,由于输入的数据是三维立体的,会出现网络参数过大导致的网络模型运算能力不佳等问题,对此提出使用深度可分离卷积代替普通卷积,来提高网络模型的运算速度。经过实验证明,在网络中加入规范层后模型的收敛速度加快,而且加入组归一化层比加入批归一化层网络的收敛速度更快,另外将深度可分离卷积代替普通卷积后,网络的参数量有了一定幅度地减少,同时模型的运算速度也提高了很多。根据网络模型的分割指标表可知,提出的DN-AGV-Net网络比以往的对比模型在各个指标方面有了较大的提升,可以很好的对肝脏肿瘤进行分割。
基于生成对抗网络的肝脏CT图像分割算法研究与实现
这是一篇关于CT图像,肝脏分割,肝肿瘤分割,深度学习,生成对抗网络的论文, 主要内容为肝脏疾病严重威胁人类的身体健康,基于人工智能的辅助诊断在临床治疗中得到研究者的广泛关注。电子计算机断层扫描(Computed Tomography,CT)是目前应用较为广泛的腹部器官成像方式,具有扫描速度快、密度分辨力高等优点。但是腹部CT图像中肝脏和肝肿瘤具有形态复杂、边缘模糊和对比度低等特点,而通过医生手动标注不仅会耗费大量的时间和精力,并且容易出现误差。因此,利用计算机辅助的肝脏和肝肿瘤分割十分具有研究意义。针对以上问题,本文具体研究工作如下:(1)针对腹部CT图像中肝脏实质分割时多尺度信息提取困难的问题,设计了一种基于可分离选择核(Separable Selection Kernel,SSK)生成对抗网络的肝脏分割模型——SSK-Net。该模型由生成器和判别器组成,在生成器编码层中引入SSK模块,提取多尺度语义信息,增强肝脏区域与非肝脏区域的可辨别性。其次,引入推土机(Earth Mover,EM)距离,解决了原始生成对抗网络训练不稳定的问题。通过在LiTS数据集和CHAOS数据集上进行实验验证,SSK-Net的Dice值分别为93.17%和94.74%,证明本文方法能够较精确地分割肝脏实质。(2)针对更为复杂的肝肿瘤分割时高维和低维信息的差异性问题,设计了一种基于多尺度金字塔注意力机制(Multiscale Pyramid Attention,MPA)生成对抗网络的肝肿瘤分割模型——MPA-Net。该模型重新设计了生成对抗网络的生成器架构,引入了坐标注意力(Coordinate Attention,CA)模块和多尺度金字塔拆分注意力(Multiscale Pyramid Splits Attention,MPSA)模块,能够多尺度地提取肝肿瘤的语义特征,并有效的融合了高维和低维的特征信息。同时在判别器网络中引入了残差模块来防止网络退化。通过在LiTS数据集上进行实验验证,MPA-Net的Dice值为72.61%,证明了MPA-Net能够精准实现肝肿瘤的分割。(3)本文基于第二、第三章所提出的算法模型,设计并实现了肝病辅助诊断平台,平台采用Python和Java语言编写。整个平台包括用户、数据库、后台、前端、辅助诊断五大模块组成,为用户提供了CT数据加载,CT图像自动分割、诊断结果保存等功能。经调试,平台运行良好,能够为医生和肝病患者提供便捷、准确和快速的肝脏CT图像诊断结果,降低了医生的误诊率和漏诊率,提高了医生的工作效率。
基于深度学习的肝脏及肝肿瘤CT图像分割算法研究
这是一篇关于CT图像,肝脏分割,肝肿瘤分割,深度学习的论文, 主要内容为肝脏是人体内非常重要的实质器官,肝脏疾病严重影响着人体健康,肝癌更是致死率极高的恶性肿瘤之一,精准的肝脏图像分割是医生诊断与治疗过程中的重要参考。由于计算机断层扫描成像(Computed Tomography,CT)具有安全方便、成像速度快、分辨率较高等优点,CT成像成为常用的检查方式。肝脏和肝肿瘤的CT图像具有形态各异、边缘模糊和位置多变等特点,传统上以手动标注实现的CT图像分割,不仅耗时耗力而且易出现分割误差。因此,基于深度学习实现肝脏和肝肿瘤CT图像的全自动化精准分割具有重要的研究意义。对于上述分割难点,本文进行的主要研究内容如下:(1)针对U-Net中存在的信息丢失和特征学习不足问题,本文提出了基于改进UNet的肝脏CT图像分割模型—ACR-Net模型。该模型利用非对称卷积块获取更加复杂的特征信息,有效缓解因卷积操作带来的信息丢失问题。同时为保证特征信息传递的完整性,引入残差连接实现特征重用。最后,通过双向卷积长短时记忆网络连接编码路径和解码路径,实现全局信息的融合。通过在Li TS2017数据集上实验验证,ACR-Net模型缓解了U-Net存在的信息丢失和特征学习不足问题,提高了肝脏分割精确度,DSC数值达到了94.54%。(2)在腹部CT图像中,肝脏与相邻组织器官紧密连接且边界不清晰,导致分割时极易出现分割误差。为提高肝脏分割准确性和精度,本文提出了基于改进双重注意力机制的肝脏CT图像分割模型—DAC-Net模型。该模型利用双重注意力机制减小肝脏相邻组织器官的干扰,获取图像的空间信息特征及通道信息特征,使网络关注肝脏区域信息,提高网络特征表达能力。同时对双重注意力机制进行了改进,提高了模块性能。最后,引入了具有连续空洞卷积的多尺度空洞卷积模块,学习更丰富的具有不同尺度的特征信息。通过在Li TS2017数据集上实验验证,DAC-Net模型显著提升了肝脏的分割效果,在DSC值上达到了96.24%,证明提出模型能够较为精确地分割肝脏。(3)针对肝肿瘤分割中存在的小肿瘤分割丢失、肿瘤分割边缘模糊、错误分割严重等问题,本文提出了基于多尺度密集卷积的肝肿瘤CT图像分割模型—MDR-Net模型。首先,通过在U-Net的编解码结构中引入具备提取多尺度特征能力的多尺度密集卷积模块,获取肝肿瘤的不同尺度特征信息。其次,引入残差卷积跳跃连接,解决了低分辨率信息重复传递的问题,并有效缓解了边缘信息表征不足以及小肿瘤空间信息丢失。通过在Li TS2017数据集上实验验证,MDR-Net模型对肝肿瘤CT图像有较高的分割精度,在DSC值上达到了73.58%,证明了提出模型的有效性及优越性。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：源码码头网 ，原文地址：https://m.bishedaima.com/lunwen/54203.html
