發(fā)布時間：2020-12-31 20:28

　　冠心病是威脅人類健康的災難性疾病之一,而冠狀動脈造影是診斷這一疾病的重要幫手。冠狀動脈造影圖像血管分割是對具有復雜結構的血管數(shù)據(jù)進行數(shù)字化和標準化的關鍵。分割結果的準確程度不僅直接決定了能否對病灶部位進行精確定位,還可以輔助醫(yī)生了解患者冠心病的發(fā)展程度,也是后續(xù)包括血管動力學研究在內(nèi)的一系列醫(yī)學研究的基礎。包括匹配濾波方法、區(qū)域增長方法等在內(nèi)的傳統(tǒng)分割方法,需要復雜的預處理步驟,依賴人工設計特征,需要設計者了解相關的醫(yī)學常識。近幾年來,深度學習尤其是深度卷積神經(jīng)網(wǎng)絡依靠權值共享、自動特征提取和計算機運算性能的提升,在計算機視覺方面取得重大突破。本論文對使用深度學習技術的冠脈血管分割方法進行改進,主要研究工作如下:（1）針對冠脈造影圖像血管結構復雜多變,造影劑分布不均,因此產(chǎn)生偽影及其他一些噪聲的問題。本文搭建了一種采用并行方式的多尺度卷積神經(jīng)網(wǎng)絡模型。這種網(wǎng)絡結果通過輸入兩種不同尺度的圖像,通過全局特征來校正局部特征,使分割結果更加準確。（2）針對使用深度學習時樣本數(shù)量不均衡問題對網(wǎng)絡帶來的影響,對傳統(tǒng)的交叉熵損失函數(shù)進行了改進。改進后的函數(shù)不僅可以緩解這一問題,并能夠提升對困難樣本的... 

【文章來源】：大連海事大學遼寧省 211工程院校

【文章頁數(shù)】：63 頁

【學位級別】：碩士

【部分圖文】：

圖１．２使用ＳＡＥ提取醫(yī)學圖像特征??Ｆｉｇ．?１．２?Ｅｘｔｒａｃｔｉｎｇ?ｍｅｄｉｃａｌ?ｉｍａｇｅ?ｆｅａｔｕｒｅｓ?ｕｓｉｎｇ?ＳＡＥ??

（３）利用ＧＰＵ進行加速，從而最大限度的發(fā)揮了計算機的運算能力。??Ｃ３：?ｆ．?ｍａｐｓ?１６＠?１０ｘ１０??＇ＮＰＵＪ?＾ＳｅｍａＰＳ?Ｓ４?：＾ａｐｓ１６＠５ｘ５?＾??６＠１４ｘｌＴＳ?忠丨學「＾ＴＰＵＴ??ｊ＼??：■疆＿??一．．??！?Ｉ?，?ｐＵ｜｜?ｃｏｎｎｅｃｔｉｏｎ?Ｇａｕｓｓｉａｎ?ｃｏｎｎｅｃｔｉｏｎｓ??Ｃｏｎｖｏｌｕｔｉｏｎｓ?Ｓｕｂｓａｍｐｌｉｎｇ?Ｃｏｎｖｏｌｕｔｉｏｎｓ?Ｓｕｂｓａｍｐｌｉｎｇ?Ｆｕｌｌ?ｃｏｎｎｅｃｔｉｏｎ??圖２．１?ＬｅＮｅｔ網(wǎng)絡結構圖??Ｆｉｇ．?２．１?ＬｅＮｅｔ?ｎｅｔｗｏｒｋ?ｓｔｒｕｃｔｕｒｅ?ｄｉａｇｒａｍ??這時的卷積神經(jīng)網(wǎng)絡還不是很深，而牛津大學提出的ＶＧＧ－Ｎｅｔ成功構建了深達１６－??１９層的神經(jīng)網(wǎng)絡。其后ＧｏｏｇｌｅＮｅｔ和ＲｅｓＮｅｔ等不斷刷新網(wǎng)絡的深度，成為真正的深度??卷積神經(jīng)網(wǎng)絡。??２．１．２反向傳播算法與梯度爆炸??在使用深度神經(jīng)網(wǎng)絡時，我們通常使用一些隨機值或其它變量來初始化權重。顯然，??沒有人可以一次就得到完美的結果。我們選擇的這些權重值一般都是不正確的，或者它??并不適合我們的模型。這就使得模型輸出與實際輸出不同，即誤差值很大。我們需要做??的是，我們需要以某種方式解釋模型以更改參數(shù)（權重），從而使錯誤變得最校所以??我們需要一種有效的方法來訓練我們的模型。而這種訓練模型的方法被稱為反向傳播算??法。??它的步驟可以被歸納為：??（１）計算誤差；模型輸出的結果與預期結果之間的差異。??（２）使誤差最小化：檢查誤差是否最�。ㄒ话闶侵高_到初始設定的標準）。??（３）更新參數(shù)：如果誤差很大，則更新參數(shù)（

?基于深度學習的冠脈造影圖像血管分割方法的研宄???（４）模型已準備好進行預測。一旦誤差變得最小，您可以向模型提供一些輸入，它??將產(chǎn)生輸出。??然而，反向傳播算法的使用使得深度神經(jīng)網(wǎng)絡的訓練成為可能，但同時也帶來了很??多的問題，其中最普遍的就是梯度爆炸（消失）。而這一問題隨著模型的加深而更加明??顯。如圖２．２所示，這是一個含有三個隱藏層、一個輸入層、一個輸出層的簡易神經(jīng)網(wǎng)??絡。當梯度爆炸（消失）問題發(fā)生時，離輸出層最近的隱藏層３的權重可以正常的更新，??但后面距離較遠的隱藏層１的權值幾乎沒有改變。這就導致模型參數(shù)難以更新，訓練十??分緩慢。??輸出胃??圖２．２三隱層網(wǎng)絡結構圖示??Ｆｉｇ．?２．２?Ｔｈｒｅｅ?ｈｉｄｄｅｎ?ｌａｙｅｒ?ｎｅｔｗｏｒｋ?ｓｔｒｕｃｔｕｒｅ?ｄｉａｇｒａｍ??以下圖的反向傳播為例，說明產(chǎn)生這一問題的原因。假設一層只有一個神經(jīng)元且對??于每一層；＾?＝?〇？（＆）?＝?（７〇／內(nèi)＋ｈ）。其中〇？為ｓｉｇｍｏｉｄ激活函數(shù)，ｉ表示第ｉ個神經(jīng)元，??ｗ是神經(jīng)元的權重，ｂ為神經(jīng)元的偏置。ｘ代表神經(jīng)元的輸入，ｙ代表神經(jīng)元的輸出，Ｃ是??總的損失函數(shù)。??－１２?－??

【參考文獻】：
期刊論文
[1]《中國心血管病報告2016》概要[J]. 陳偉偉,高潤霖,劉力生,朱曼璐,王文,王擁軍,吳兆蘇,李惠君,顧東風,楊躍進,鄭哲,蔣立新,胡盛壽.  中國循環(huán)雜志. 2017(06)
[2]心血管疾病住院患者死亡原因分析調(diào)查研究[J]. 劉江波.  中國衛(wèi)生產(chǎn)業(yè). 2016(32)
[3]中國冠心病防治策略[J]. 何曉全,劉梅林.  中國全科醫(yī)學. 2015(02)
[4]計算機輔助診斷系統(tǒng)在急診影像學中的應用探討[J]. 隋美蓉,胡俊峰,鞏萍,徐鵬.  中國醫(yī)療設備. 2011(11)
[5]醫(yī)學圖像分割算法的評價方法[J]. 張石,董建威,佘黎煌.  中國圖象圖形學報. 2009(09)
[6]基于多尺度Hessian矩陣和Gabor濾波的造影圖像冠脈中心線提取[J]. 李穎超,劉越,王涌天.  中國醫(yī)學影像技術. 2007(01)



本文編號：2950262