發(fā)布時(shí)間：2020-12-31 20:28

　　冠心病是威脅人類健康的災(zāi)難性疾病之一,而冠狀動(dòng)脈造影是診斷這一疾病的重要幫手。冠狀動(dòng)脈造影圖像血管分割是對(duì)具有復(fù)雜結(jié)構(gòu)的血管數(shù)據(jù)進(jìn)行數(shù)字化和標(biāo)準(zhǔn)化的關(guān)鍵。分割結(jié)果的準(zhǔn)確程度不僅直接決定了能否對(duì)病灶部位進(jìn)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(dòng)力學(xué)研究在內(nèi)的一系列醫(yī)學(xué)研究的基礎(chǔ)。包括匹配濾波方法、區(qū)域增長(zhǎng)方法等在內(nèi)的傳統(tǒng)分割方法,需要復(fù)雜的預(yù)處理步驟,依賴人工設(shè)計(jì)特征,需要設(shè)計(jì)者了解相關(guān)的醫(yī)學(xué)常識(shí)。近幾年來(lái),深度學(xué)習(xí)尤其是深度卷積神經(jīng)網(wǎng)絡(luò)依靠權(quán)值共享、自動(dòng)特征提取和計(jì)算機(jī)運(yùn)算性能的提升,在計(jì)算機(jī)視覺(jué)方面取得重大突破。本論文對(duì)使用深度學(xué)習(xí)技術(shù)的冠脈血管分割方法進(jìn)行改進(jìn),主要研究工作如下:（1）針對(duì)冠脈造影圖像血管結(jié)構(gòu)復(fù)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(wèn)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(luò)模型。這種網(wǎng)絡(luò)結(jié)果通過(guò)輸入兩種不同尺度的圖像,通過(guò)全局特征來(lái)校正局部特征,使分割結(jié)果更加準(zhǔn)確。（2）針對(duì)使用深度學(xué)習(xí)時(shí)樣本數(shù)量不均衡問(wèn)題對(duì)網(wǎng)絡(luò)帶來(lái)的影響,對(duì)傳統(tǒng)的交叉熵?fù)p失函數(shù)進(jìn)行了改進(jìn)。改進(jìn)后的函數(shù)不僅可以緩解這一問(wèn)題,并能夠提升對(duì)困難樣本的... 

【文章來(lái)源】：大連海事大學(xué)遼寧省 211工程院校

【文章頁(yè)數(shù)】：63 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

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

（３）利用ＧＰＵ進(jìn)行加速，從而最大限度的發(fā)揮了計(jì)算機(jī)的運(yùn)算能力。??Ｃ３：?ｆ．?ｍａｐｓ?１６＠?１０ｘ１０??＇ＮＰＵＪ?＾ＳｅｍａＰＳ?Ｓ４?：＾ａｐｓ１６＠５ｘ５?＾??６＠１４ｘｌＴＳ?忠丨學(xué)「＾ＴＰＵＴ??ｊ＼??：■疆＿??一．．??！?Ｉ?，?ｐＵ｜｜?ｃｏｎｎｅｃｔｉｏｎ?Ｇａｕｓｓｉａｎ?ｃｏｎｎｅｃｔｉｏｎｓ??Ｃｏｎｖｏｌｕｔｉｏｎｓ?Ｓｕｂｓａｍｐｌｉｎｇ?Ｃｏｎｖｏｌｕｔｉｏｎｓ?Ｓｕｂｓａｍｐｌｉｎｇ?Ｆｕｌｌ?ｃｏｎｎｅｃｔｉｏｎ??圖２．１?ＬｅＮｅｔ網(wǎng)絡(luò)結(jié)構(gòu)圖??Ｆｉｇ．?２．１?ＬｅＮｅｔ?ｎｅｔｗｏｒｋ?ｓｔｒｕｃｔｕｒｅ?ｄｉａｇｒａｍ??這時(shí)的卷積神經(jīng)網(wǎng)絡(luò)還不是很深，而牛津大學(xué)提出的ＶＧＧ－Ｎｅｔ成功構(gòu)建了深達(dá)１６－??１９層的神經(jīng)網(wǎng)絡(luò)。其后ＧｏｏｇｌｅＮｅｔ和ＲｅｓＮｅｔ等不斷刷新網(wǎng)絡(luò)的深度，成為真正的深度??卷積神經(jīng)網(wǎng)絡(luò)。??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(luò)時(shí)，我們通常使用一些隨機(jī)值或其它變量來(lái)初始化權(quán)重。顯然，??沒(méi)有人可以一次就得到完美的結(jié)果。我們選擇的這些權(quán)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(shí)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(quán)重），從而使錯(cuò)誤變得最校所以??我們需要一種有效的方法來(lái)訓(xùn)練我們的模型。而這種訓(xùn)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(jì)算誤差；模型輸出的結(jié)果與預(yù)期結(jié)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_(dá)到初始設(shè)定的標(biāo)準(zhǔn)）。??（３）更新參數(shù)：如果誤差很大，則更新參數(shù)（

?基于深度學(xué)習(xí)的冠脈造影圖像血管分割方法的研宄???（４）模型已準(zhǔn)備好進(jìn)行預(yù)測(cè)。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(luò)的訓(xùn)練成為可能，但同時(shí)也帶來(lái)了很??多的問(wèn)題，其中最普遍的就是梯度爆炸（消失）。而這一問(wèn)題隨著模型的加深而更加明??顯。如圖２．２所示，這是一個(gè)含有三個(gè)隱藏層、一個(gè)輸入層、一個(gè)輸出層的簡(jiǎn)易神經(jīng)網(wǎng)??絡(luò)。當(dāng)梯度爆炸（消失）問(wèn)題發(fā)生時(shí)，離輸出層最近的隱藏層３的權(quán)重可以正常的更新，??但后面距離較遠(yuǎn)的隱藏層１的權(quán)值幾乎沒(méi)有改變。這就導(dǎo)致模型參數(shù)難以更新，訓(xùn)練十??分緩慢。??輸出胃??圖２．２三隱層網(wǎng)絡(luò)結(jié)構(gòu)圖示??Ｆｉｇ．?２．２?Ｔｈｒｅｅ?ｈｉｄｄｅｎ?ｌａｙｅｒ?ｎｅｔｗｏｒｋ?ｓｔｒｕｃｔｕｒｅ?ｄｉａｇｒａｍ??以下圖的反向傳播為例，說(shuō)明產(chǎn)生這一問(wèn)題的原因。假設(shè)一層只有一個(gè)神經(jīng)元且對(duì)??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(gè)神經(jīng)元，??ｗ是神經(jīng)元的權(quán)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(xiàn)】：
期刊論文
[1]《中國(guó)心血管病報(bào)告2016》概要[J]. 陳偉偉,高潤(rùn)霖,劉力生,朱曼璐,王文,王擁軍,吳兆蘇,李惠君,顧東風(fēng),楊躍進(jìn),鄭哲,蔣立新,胡盛壽.  中國(guó)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(guó)衛(wèi)生產(chǎn)業(yè). 2016(32)
[3]中國(guó)冠心病防治策略[J]. 何曉全,劉梅林.  中國(guó)全科醫(yī)學(xué). 2015(02)
[4]計(jì)算機(jī)輔助診斷系統(tǒng)在急診影像學(xué)中的應(yīng)用探討[J]. 隋美蓉,胡俊峰,鞏萍,徐鵬.  中國(guó)醫(yī)療設(shè)備. 2011(11)
[5]醫(yī)學(xué)圖像分割算法的評(píng)價(jià)方法[J]. 張石,董建威,佘黎煌.  中國(guó)圖象圖形學(xué)報(bào). 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(guó)醫(yī)學(xué)影像技術(shù). 2007(01)



本文編號(hào)：2950262