基于全卷积U-Net的MR图像前列腺区域分割

目录

声明

致谢

缩略词对照表

1 引言

1.1 研究背景及意义

1.2 国内外研究现状

1.2.1 传统的分割方法

1.2.2 基于全卷积神经网络的分割方法

1.3 本文研究目标与内容

1.4 前列腺区域分割数据集

1.5 本文结构安排

2 基于单张切片的 2D U-Net前列腺区域分割算法

2.1 2D全卷积神经网络

2.1.1 卷积层

2.1.2 激活函数

2.1.3 批次归一化层

2.1.4 池化层

2.1.5 反卷积层

2.1.6 损失函数与优化器

2.1.7 2D U-Net全卷积分割网络模型

2.2 数据预处理

2.2.1 数据集划分

2.2.2 中央裁剪

2.2.3 图像扩增

2.3 实验及结果分析

2.3.1 2D U-Net全卷积分割实验

2.3.2 评价指标

2.3.3 结果分析

2.4 本章小结

3 基于整个病例的 3D U-Net前列腺区域分割算法

3.1 3D全卷积神经网络

3.1.1 卷积层

3.1.2 池化层

3.1.3 3D U-Net 全卷积分割网络模型

3.2 图像预处理

3.3 融合 2D池化的 3D U-Net分割网络

3.4 实验结果分析

3.4.1 3D U-Net全卷积分割实验

3.4.2 结果分析

3.4.3 分析验证

3.5 本章小结

4 基于相邻切片的 2.5D ULSTM-Net前列腺区域分割算法

4.1 循环神经网络基本单元

4.1.1 RNN循环神经网络单元

4.1.2 LSTM 循环神经网络单元

4.1.3 卷积 LSTM 循环神经网络单元

4.1.4 双向卷积 LSTM 循环神经网络单元

4.2 图像预处理

4.3 融合双向卷积 LSTM的 2.5D ULSTM-Net分割网络

4.4 实验结果分析

4.4.1 双向卷积 LSTM模块位置对分割性能的影响分析

4.4.2 相邻切片数目对分割性能的影响分析

4.4.3 与他人结果对比分析

4.5 本章小结

5 结论

5.1 工作总结

5.2 未来展望

参考文献

作者简历及攻读硕士/博士学位期间取得的研究成果

独创性声明

学位论文数据集