论文总字数：37507字

摘 要

近年来，随着医学影像设备的迅速发展，医生可以通过图片等简洁的数据形式来更好的诊断患者的病情，大大提高了医生的工作效率并降低了误判的几率，但是，医生们得到医学设备提供的图像后，一般还必须通过手动处理，人工的标注等复杂且非常乏味的工作以得到想要的数据，比如患者病症组织的轮廓以及肿瘤的确切位置等等，这种处理模式耗时耗力，并且其准确程度与医生的专业程度关系很大，一个经验不足的医生还是很容易出现人工处理的错误，与人工标注相比，利用计算机进行医学图像处理，辅助医生进行诊断，不仅能大大降低医生的工作强度也有助于提高诊断的效率，因而逐渐成为了国内国外医疗界的发展趋势。但是，相对于处理自然图像，医学图像处理是一种挑战，目前主流的医疗成像设备如磁共振成像（MRI）、计算机断层扫描（CT）、超声、正电子发射断层扫描（PET）等都或多或少的存在一些缺陷造成了医学图像处理的困难，因此研究进行医学图像处理的算法是时下的研究热点。

本文针对腹部MRI图像的分割问题，基于目前发展迅速的深度学习技术，分别使用了Unet网络和Mask R-CNN网络设计了腹部多种器官的分割算法，进行了实验，并引入空洞卷积等方法对Unet网络进行改进，实现了腹部MRI图像较高精度的语义分割与实例分割，得到了比Unet和Mask R-CNN更好的分割效果。

关键词：MRI图像，腹部图像分割，Unet模型，Mask R-CNN模型，空洞卷积，语义分割，实例分割

Abstract

In recent years, with the rapid development of medical imaging equipment, doctors can better diagnose the patient's condition through simple data forms such as pictures, which greatly improve the doctor's work efficiency and reduce the chance of misjudgment, but After getting the images provided by the medical equipment, the doctors always have to obtain the data that they want in the images such as the outline of the patient's disease tissue and the exact location of the tumor by processing the pictures artificially, manual labeling and other complicated and very tedIOUs work, etc. Such work is time-consuming and labor-intensive, and the accuracy is closely related to the professionalism of doctors. An inexperienced doctor may easily make one manual errors. Therefore, the use of computers for medical image processing has become a common trend in china and abroad, However, medical image processing is a challenge compared to processing natural images. Currently mainstream medical imaging devices such as Magnetic Resonance Imaging (MRI), Computed Tomography (CT), Ultrasound, Positron Emission Tomography (PET)-etc. still have some defects more or less that caused difficulties in medical image processing. Therefore, researching algorithms for medical image processing is a hot research topic.

In this paper, based on the rapid development of deep learning techniques, Unet deep network algorithm and Mask-Rcnn deep network algorithm are used to segment the abdominal MRI image. And The Unet network improved by using methods such as cavity convolution is suggested. It achieves higher precision semantic segmentation and instance segmentation of abdominal MRI images, and obtains better segmentation result than Unet and Mask R-CNN.

KEY WORDS: MRI image, abdominal image segmentation, Unet, Mask R-CNN, dilated convolution, semantic segmentation, instance segmentation

目 录

摘 要 I

Abstract II

第一章 绪论 1

1.1 课题背景及意义 1

1.2 MRI图像分割的研究现状 2

1.2.1 MRI图像特点及腹部器官特点 2

1.2.2 MRI图像分割研究现状 3

1.3 图像分割简介 4

1.3.1 图像的语义分割与实例分割 4

1.3.2 图像自动分割方法综述 4

1.4 论文工作与章节安排 5

第二章 基于U-net的腹部器官分割算法 7

2.1 U-net图像分割网络 7

2.1.1 FCN网络架构 7

2.1.2 U-net网络架构 8

2.1.3 U-net网络的数据增强 9

2.1.4 基于CNN的分割方法与U-net网络比较 10

2.1.5 U-net网络的训练 12

2.2 使用U-net 进行MRI腹部分割实验 13

2.2.1 实验环境配置 13

2.2.2 MRI腹部数据集 13

2.2.3 MRI腹部图像分割评估标准 15

2.2.4 MRI腹部数据集的预处理 16

2.2.5 数据增强 18

2.2.6 U-net网络在MRI肝脏分割实验 19

2.2.7 Leave-one-out训练策略 21

2.2.8 U-net网络在MRI腹部图像分割上的改进 21

2.3 使用U-net 进行MRI腹部分割实验 23

2.3.1 U-net网络在MRI腹部图像分割上的实验 23

第三章 基于Mask R-CNN的腹部器官分割算法 26

3.1 Mask R-CNN实例分割卷积网络 26

3.1.1 Faster RCNN网络架构 26

3.1.2 Mask R-CNN网络架构 28

3.2 Mask R-CNN网络MRI腹部图像分割 29

3.2.1 Mask R-CNN数据集选择及数据预处理 29

3.2.2 Mask R-CNN在MRI腹部图像上的分割实验结果 30

第四章 基于空洞卷积Unet的腹部器官分割算法 32

4.1 空洞卷积网络 32

4.1.1 空洞卷积 32

4.1.2 空洞卷积的网络架构 33

4.2 基于空洞卷积改进的Unet网络MRI腹部图像分割 33

4.2.1 基于空洞卷积网络改进的Unet进行改进 33

4.2.2 基于空洞卷积Unet网络的MRI腹部图像实验 34

4.2.3 分割性能比较 36

第五章 结论与展望 39

5.1 研究内容总结 39

5.2 未来工作展望 39

致 谢 40

参考文献 41

附录 44

绪论

课题背景及意义

随着社会的发展，人们对于社会医疗提出了越来越高的要求，伴随着计算机技术以及各种医疗成像技术的爆炸式发展，医疗成像设备在各个国家与地区快速的普及并吸引着更多的人去开发效果更好的成像设备，医学影像技术成为了现如今医学研究领域最热，发展最快的领域，不难发现，核磁共振成像（MRI）、计算机断层扫描（CT）、超声、正电子发射断层扫描（PET）等成像技术，已经成为各大医院不可或缺的基础设施，并且大大的帮助了医生进行疾病诊断，手术计划制定等等工作，在医生的工作中已经成为了不可或缺的一员，提高了确诊率并获得了人民大众的一致认可。

然而，虽然医学图像成像设备及其相关相关技术发展快速，甚至有报道指出，全世界医学影像数据占着全世界信息总量的1/5，且每天依然有大量的医学图像产生，医生专家们对于医学图像的图像分割却任然是一个难点，并且语义分割也是图像处理中的首要步骤和不可或缺的一步，解决了予以分割问题，人们才能从图像中获取更高层的信息，就像人脑处理场景图像时，需要先确定场景中有什么，在哪里，才能进一步分析出对象所处的环境和状态，从而判断出对象应该被怎样操作。

剩余内容已隐藏，请支付后下载全文，论文总字数：37507字