- 1、本文档共62页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
摘要
基于通道分组机制的脑部肿瘤图像分割方法研究
脑肿瘤是如今生活中常见的脑部疾病,由脑细胞异常增殖导致,轻则恶心
呕吐,严重时会危及生命。随着科技的发展,人类预期寿命逐渐延长,患脑肿
瘤的几率也随之增加。大脑是人体最复杂的结构之一,且脑肿瘤早期不易被发
现,因此准确的找到肿瘤的位置而不影响其他结构极为重要。大量的CT对医生
来说也是一种负担,因此借助计算机把重要的器官、肿瘤病变部分从图像中
取出来就非常重要。深度学习在医学方面的应用越来越普遍,这让半自动化的
分割出目标区域成为可能。在此前下,本文研究脑肿瘤分割算法,出了基
于U-Net的通道分组的脑肿瘤图像分割方法。
脑肿瘤图像有多种的序列,因此对其分割不仅需要三维的空间考量,还需
要多模态的联合学习。为高模型计算效率及更关注重点分割区域,本文方法
对初始数据集进行了裁剪和数据增强。在基础网络的选择上,为了取三维切
片间的联系,使用3D模型分割。U-Net在医疗图像分割领域一直是佼佼者,因
其跳跃连接的存在,融合浅层和深层信息,扩充了上采样阶段的信息容量,因
此选用其作为基础模型。本文的创新集中在两个方面:一是降低模型计算量:
在取信息的编码阶段加入了通道分组机制,显著降低了模型的计算量,实现
轻量化改进,方便信息的传递与学习;二是高分割精度:为了实现精确分
割,本文添加了CBAM注意力机制,忽略掉与脑肿瘤分割无关的信息,在训练中
同时关注通道和空间信息。
本文对脑肿瘤疾病和图像分割方法进行了深入的研究,出了应用CBAM注
意力的通道机制。使用多路复用器网络降低模型复杂度,用膨胀卷积代替普通卷
积扩大感受野。添加CBAM注意力机制,更好的取边界信息。本文基于公开的
脑肿瘤数据集,进行了消融实验,验证了加入膨胀通道分组模块和CBAM注意力
的可行性,并且CBAM模块对于膨胀通道分组模块的高有着显著效果。在肿瘤
I
核心上有着3%的升,在增强肿瘤和肿瘤整体上也分别有着1.4%和1.2%的升。
同时为了公平客观的比较,横向实验比较了同一领域其余模型与本文模型的差别,
在三个分割目标的平均值上也体现了本文模型的优势,平均来也看增长了1.9个
百分点,进一步验证了本文出的方法的有效性。本文还进行了分割效果可视化,
直观的感受模型预测能力。
关键词:
通道分组,图像分割,注意力机制,脑肿瘤。
II
Abstract
ResearchonBrainTumorImageSegmentationMethodBasedon
ChannelGroupingMechanism
Braintumors,prevalentneurologicaldisorderscausedbyabnormal
proliferationofbraincells,rangeinseverityfrominducingnausea
andvomitingtoposinglife-threateningrisks.Astechnological
advancementsextendhumanlifeexpectancy,theincidence
文档评论(0)