基于深度卷积神经网络的脑组织分割方法研究

作     者：葛波 

作者单位：华中科技大学 

学位级别：硕士

导师姓名：宋恩民

授予年度：2017年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 08[工学] 081104[工学-模式识别与智能系统] 080203[工学-机械设计及理论] 0802[工学-机械工程] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：脑组织分割 深度卷积神经网络 深度学习 残差单元 辅助分类器 

摘      要：脑部磁共振(Magnetic Resonance,MR)图像常用于诊断脑部疾病。在临床上,医生通过分析脑MR图像中脑组织的大小、形状和位置来对脑疾病进行评估和制定医疗方案。由专家手工分割脑组织的工作量大、主观性强。因此,研究对MR图像脑组织自动分割具有极其重要的意义。采用了两种深度卷积神经网络来完成对脑组织的分割。在第一个网络结构中,提取了感兴趣体素周围的三维图像块和多尺度的正交的二维图像块作为网络的输入数据;网络的前几层采用了参数共享的方式,其中,通过相同方法提取到的三个正交的二维图像块共享着相同的网络参数,这不仅减少了网络参数,而且提高了网络模型的性能;在网络的中间层,添加了残差单元来保证网络可以达到更深,而不至于出现梯度消失问题。第二个网络结构是对第一个网络结构的改进,它在第一个网络结构的中间层添加了一个辅助分类器,来提高模型的性能。两个网络结构都是采用softmax分类器,它们学习每个体素的类别信息,在测试阶段,对每个脑组织中体素进行分类,从而完成对脑组织的分割。相对于传统的脑组织分割方法,这两种方法不需要对MR图像进行非刚性配准,也不需要手工提取图像特征。将这两种方法应用在MICCAI 2012竞赛的多图谱标签数据集上,实验结果表明,这两种深度卷积神经网络结构在脑组织分割上取得了较为理想的分割效果。