基于深度学习的肾肿瘤超声图像分割研究与应用.pdfVIP

目录

摘要I

ABSTRACTIII

第一章绪论1

1.1研究背景与意义1

1.2国内外研究现状2

1.3本文研究内容4

1.4论文组织5

1.5本章小结6

第二章基础理论7

2.1卷积神经网络7

2.2Depthwise卷积9

2.3残差结构9

2.4注意力机制10

2.5基础分割模型10

2.5.1UNet模型10

2.5.2UNet++模型11

2.6本章小结12

第三章融合多尺度残差和双重注意力的UNet++方法13

3.1MRDA_UNet++模型介绍13

3.1.1MCA模块14

3.1.2MultiResblock模块14

3.1.3坐标注意力（CA）机制15

3.1.4注意力门（AG）模块17

3.2数据集介绍17

3.3实验环境与参数设置18

3.4评价指标19

3.5实验结果与分析19

3.5.1MRDA_UNet++有效性验证19

3.5.2MRDA_UNet++泛化性验证21

3.5.3消融实验24

3.6本章小结25

第四章基于多尺度卷积注意力的UNet++方法27

4.1MSCA_UNet++模型介绍27

4.1.1“”模块28

4.1.2多尺度卷积注意力（MSCA）28

4.1.3部分卷积（PConv）29

4.2实验结果与分析30

4.2.1MSCA_UNet++有效性验证30

4.2.2MSCA_UNet++泛化性验证31

4.2.3消融实验32

4.3本章小结33

第五章肾肿瘤超声图像自动分割系统设计与实现35

5.1系统设计35

5.1.1系统开发流程35

5.1.2开发与运行环境35

5.1.3系统总体功能36

5.2系统功能介绍37

5.3本章小结42

第六章总结与展望43

6.1总结43

6.2展望44

参考文献45

在学期间取得的科研成果53

致谢55

摘要

恶性肾肿瘤又称肾癌，无论是发病人数还是发病率都在逐年升高。计算机断层扫

描（CT）常用来检查诊断肾肿瘤，但CT中的电离辐射和肾毒性碘造影剂会对人体

造成一定的危害。后因超声（US）造影技术可以识别出CT或磁共振成像（MRI）未

能识别的肾肿瘤且安全无毒受到欧洲泌尿外科协会（EAU）的推荐。腹腔镜肾单位保

留切除术是治疗肾肿瘤的一种常规有效手段。在切除肿瘤前，对肾肿瘤图像分割是必

不可少的环节，而目前分割方法主要依靠医生手工进行勾画，不仅耗时耗力而且分割

结果的准确性也会受到医生个人经验和能力的影响，因此迫切的需要一种用来辅助

医生快速分割的方法。其次，超声图像中肾肿瘤病灶存在边缘模糊，大小不一，形状

各异等问题不利于临床诊断。另外，无论是传统分割方法、机器学习方法还是深度学

习方法对肾肿瘤分割的研究几乎都是基于CT或MRI图像，而对超声图像的研究非

常有限。

针对以上问题，本文基于深度学习方法设计实现了两种改进的UNet++算法，以

提高肾肿瘤超声图像的分割精度，辅助医生临床诊断。主要研究工作如下：

（1）提出了融合多尺度残差和双重注意力的UNet++（MRDA_UNet++）实现肾

肿瘤超声图像分割。该算法将UNet++里连续两个3×3卷积替换为嵌入