基于生成对抗网络的医学图像分割研究.pdfVIP

目录

摘要I

ABSTRACTII

第一章绪论1

1.1研究背景及研究意义1

1.2当前问题与挑战2

1.3国内外研究现状2

1.3.1基于传统机器学习的分割方法2

1.3.2基于深度学习的分割方法3

1.4本文研究内容与创新点7

1.5论文结构安排7

1.6本章小结8

第二章相关理论基础9

2.1卷积神经网络9

2.2常见模型结构11

2.3多尺度融合13

2.4边缘特征提取14

2.5损失函数15

2.6评估指标16

2.7生成对抗网络17

2.8本章小结19

第三章基于多尺度输入的生成对抗分割网络20

3.1问题引入20

3.2模型设计20

3.2.1模型总体框架21

3.2.2多尺度输入模块21

3.2.3跨层多尺度融合单元及细化模块22

3.2.4判别器设计23

3.2.5损失函数24

3.3实验25

3.3.1数据集及预处理25

3.3.2实施细节25

3.3.3实验结果与性能评估25

3.3.4消融实验28

3.4本章小结29

第四章基于边缘损失和小波采样的生成对抗分割网络31

4.1问题引入31

4.2模型设计32

4.2.1模型总体框架32

4.2.2小波采样模块33

4.2.3均值注意力机制35

4.2.4损失函数36

4.3实验39

4.3.1数据集及预处理39

4.3.2实施细节40

4.3.3实验结果与性能评估40

4.3.4消融实验44

4.4本章小结46

第五章总结与展望47

5.1工作总结47

5.2不足与展望48

参考文献49

攻读硕士学位期间的主要成果57

致谢58

摘要

眼底血管分割一直是各类医学图像分割任务中的一个重要分支。由于血管结构复杂多

变，基于人工标注的方法需要耗费大量的精力。同时，受到主观因素的影响，不同的医生

在同一图像上会得出不同标注结果，影响结果的一致性和客观性。此外，深度学习网络难

以有效捕捉与背景颜色相近区域的细节信息特征，导致分割结果不清晰，产生错误的分割

结果。针对目前眼底血管分割任务中存在的挑战，本文基于生成对抗网络构建了一系列分

割框架以改善眼底血管图像中复杂区域特征提取困难的问题，提高分割结果的准确性。本

文的主要贡献有以下两个方面：

（1）提出了一种基于多尺度输入的生成对抗分割模型。在生成网络部分采取由粗到

细的分割方式优化初始分割结果中存在的错误区域，提升分割精度。此外，通过在编码器

中引入多输入融合模块以及多尺度特征增强模块来捕获多尺度特征，弥补持续卷积操作导

致目标细节信息丢失的问题。通过在多个眼底数据集上的验证，该模型能够有效提升对困

难特征的提取并获得更加清晰的分割结果。

（2）提出了一种基于边缘损失和小波采样的生成对抗分割网络。该模型在第一个方

法的基础上设计了两个子分割网络，将眼底血管图像中的粗血管和细血管分别进行特征提

取以改善模型对细血管特征提取困难的问题。其次，利用离散小波滤波核将原始特征的高

频特征与低频特征进行剥离，实现抑制噪声在网络传播的同时利用低频特征进行采样，避

免特征信息丢失导致分割结果不连续等问题。实验结果表明