婴幼儿脑组织MR图像分割算法研究

作     者：张玮婷 

作者单位：东北大学 

学位级别：硕士

导师姓名：魏颖

授予年度：2019年

学科分类：0831[工学-生物医学工程（可授工学、理学、医学学位）] 100207[医学-影像医学与核医学] 1002[医学-临床医学] 08[工学] 080203[工学-机械设计及理论] 1010[医学-医学技术（可授医学、理学学位）] 0802[工学-机械工程] 100204[医学-神经病学] 10[医学] 

主      题：婴幼儿脑组织分割 深度学习 残差模块 空洞卷积金字塔 边界点重定义 

摘      要：婴幼儿时期是人类大脑发育最快的一个阶段,在这个阶段中,脑区的变化较快且容易患各类脑疾病。探索婴幼儿脑部疾病的早期诊断方法具有非常重要的意义,因此良好的计算机辅助诊断方法十分重要。但是由于婴幼儿脑MR图像分辨率低、图像灰度不均匀、噪声较大,且在发育过程中存在灰质白质逆转、部分容积效应等问题。而得到理想图像的关键就在于对图像进行前期处理,主要的前期处理方法是图像分割。但目前仍没有针对婴幼儿脑组织图像分割的高效算法。近年来随着计算机应用水平和技术的发展,深度学习在图像分割领域的应用越来越普及。本文在已有深度语义分割网络基础上进行改进,研究更适用于婴幼儿脑组织MR图像的分割算法。本文主要研究内容如下:(1)针对婴幼儿脑MR图像对比度低,复杂度高等特点,本文利用深度卷积神经网络自适应提取复杂抽象特征的特性,改进针对婴幼儿脑组织图像特征提取算法。该算法在传统VGG16结构中引入带瓶颈层的残差模块。一方面可以在网络层数设计很深时避免网络的退化效应,以及训练时出现的梯度消失、梯度爆炸等问题。另一方面算法在传统残差块中引入瓶颈层,有效减少了网络的训练参数。将残差模块引入语义分割网络提升了针对婴幼儿脑组织图像特征的提取能力。(2)针对深度语义分割网络中的特征融合部分进行研究。为避免网络特征融合中只考虑单一维度特征的问题,提出了基于多尺度、多层级的上下文信息提取模块(PDC)。深层特征图主要捕获物体间具有类别区分的语义特征,浅层特征图获取物体细节特征,将两种特征相结合可以提高特征表达的准确性。因而,本文设计了一种上下文信息提取模块,利用多个不同扩张率的空洞卷积核并行组成金字塔结构,获取特征图在不同感受野下的多尺度特征,增强网络对目标像素的识别能力,使语义分割准确率得到提升。(3)由于深度卷积神经网络的多次下采样操作使得目标位置、结构等信息被过多丢失,导致了脑组织边缘像素识别精度下降。针对目标边缘处理较差的问题,本文提出了边界点重定义算法。在深度学习语义分割基础上,设计像素点置信度求解算法,利用区域划分、局部固定字典学习的方法,对置信度低的像素点重新分类,进一步优化语义分割结果,达到对婴幼儿脑组织图像的精确分割。