论文总字数：27419字

摘 要

深度学习（Deep Learning）是近些年计算机领域一个重要的研究分支，深度学习的原理是基于使用复杂的，非线性变换的多层网络对数据进行抽象和处理，提取出数据中隐含的特征，从而扩展到对一般性数据的处理。本文研究深度学习在图像分割领域的应用，采用医院真实的人体图像，基于深度学习在工业上广泛应用的caffe框架，尝试对图像进行分割，我们使用caffe-Segnet分支并调用Python接口完成实验。Segnet是一种全卷积神经网络（Fully Convolutional Neural Networks）模型，其优势在于可以将其中某一层处理的结果当作数据的另一种形式，当作学习到的特征去进行进一步的对比。

本文使用的原始图像和对应的标记图像均用matlab平台编程处理成符合Segnet网络要求的格式，其中标记图像将原图分割成3类区域：背景，肾脏和肿瘤。在足够多的测试集和训练时间的基础上，Segnet分类器对于绝大部分测试图像可以准确的分割出肾脏区和肿瘤区，而在训练集中没有相似样例的测试图片，存在着只能识别大部分肿瘤的情况，本文分析认为如果有足够多样的测试集则Segnet分类器将可以准确地分类图片。用Segnet网络进行医学图像分割，识别出肿瘤是可行的并具有实践意义的。

关键词：深度学习，医学图像分割，caffe框架，segnet分类器,全卷积神经网络

Medical images segmentation based on deep learning

Abstract

Deep learning is animportant research branch in computer field in recent years. The principle of deep learning is utilizing complex and nonlinear transformation multi-layer networks to abstract and handle data,so then the computer can complete the treatment of general data.In this paper ,we studied the application of deep learning in the field of image segmentation. We use clinical dataset in hospital and tried to segment the images based oncaffe framework,which is widely used in industry field. We adopted caffe-Segnet branch and called python interface to complete our experiment,Segnet is a fully convolutional neural networks.The advantage of FCNN is that the FCNN can take the result of any layer as another form of data. Further more, the result can be taken as the features learned by computer which is used for further comparison.

In this paper,we transformed the original images and the label images on the matlab platform to the standard of segnet networks.Besides,the label images dividethe original images into three categories:background,kidney and tumor.We finally found that the segnet segmentation can segment images into kidney and tumor precisely based on enough training set.However,some images which cannot found similar samples in the training set had been misclassified,only most of the tumor can be recognized.We predict that in the case of we have enough training data,the segnet segmentation can classify images accurately.Generally,utilizing segnet networks to classify medical images is possible and it also has its practical significance.

Keywords:deep learning,medical images segmentation,caffe framework,segnet segmentation,fully convolutional neural networks

目录

摘要 I

Abstract II

目录 III

第一章绪论 1

1.1 研究背景和意义 1

1.2 问题描述和实现流程 1

1.3 实验结论和意义 3

第二章深度学习算法和模型简介 4

2.1 机器学习简介 4

2.2 深度学习概念 5

2.3 全卷积神经网络（Fully Convolutional Neural Networks） 7

第三章前期准备 10

3.1 caffe环境学习和安装 10

3.1.1 caffe学习 10

3.1.2 caffe环境的安装和配置 11

3.2 segnet安装 13

第四章实验过程 15

4.1 原始图像处理 15

4.2 segnet网络训练 17

4.3 测试网络 18

4.4 测试数据 19

第五章实验结论 20

5.1 实验结果 20

5.2 实验结果分析 23

5.3深度学习展望 25

参考文献 28

致谢 29

第一章绪论

1.1研究背景和意义

机器学习的本质和生物的学习过程一致，机器学习的提出是从生物的神经系统得到的启发，与生物的神经系统一样本质上都是多层网络复杂的映射关系：每一层网络接收上一层网络对输入数据的处理结果，这里的处理过程复杂多样例如复杂的非线性变换，再将这一层的输出提供给网络的下一层作为输入，直到最后一层输出网络的结果。通过这样大量的迭代过程机器进行学习并且记忆之前的学习结果，再以适当的方式类推今后遇到的相似问题。就像人可以识别出自己认识的人，机器学习和人的学习过程一样，也是不断学习并记忆的结果。

深度学习是近些年来的热门话题，深度学习的概念起源于对神经网络的研究。深度学习的概念和所能解决的一些基本的问题于2006年由Hinton等人提出，另外K. Simonyan^[1]等人的研究表明：受网络层数的影响，使用网络层数较多的深度学习算法在实际的应用当中往往有更出色的表现。本文实验中的深度学习算法采用全连接神经网络（Fully ConvolutionalNetworks）模型^[2]，这是一种基于卷积神经网络模型的改进架构。

剩余内容已隐藏，请支付后下载全文，论文总字数：27419字