位置: IT常识 - 正文

毕业设计-基于深度学习的医学影像分割(毕业设计基于51单片机多功能电子钟的设计)

编辑:rootadmin
毕业设计-基于深度学习的医学影像分割

目录

前言

课题背景和意义

实现技术思路

一、全监督医学图像分割

二、半监督医学图像分割

三、医学影像分割中的不确定性度量

实现效果图样例

最后


前言

推荐整理分享毕业设计-基于深度学习的医学影像分割(毕业设计基于51单片机多功能电子钟的设计),希望有所帮助,仅作参考,欢迎阅读内容。

文章相关热门搜索词:毕业设计基于springboot的项目,毕业设计-基于组态软件的流量比值过程控制系统设计,毕业设计-基于组态软件的流量比值过程控制系统设计,毕业设计基于springboot的项目,毕业设计基于51单片机多功能电子钟的设计,毕业设计-基于微信小程序的点餐系统,毕业设计-基于51单片机电子密码锁设计,毕业设计基于51单片机多功能电子钟的设计,内容如对您有帮助,希望把文章链接给更多的朋友!

    📅大四是整个大学期间最忙碌的时光,一边要忙着备考或实习为毕业后面临的就业升学做准备,一边要为毕业设计耗费大量精力。近几年各个学校要求的毕设项目越来越难,有不少课题是研究生级别难度的,对本科同学来说是充满挑战。为帮助大家顺利通过和节省时间与精力投入到更重要的就业和考试中去,学长分享优质的选题经验和毕设项目与技术思路。

🚀对毕设有任何疑问都可以问学长哦!

选题指导: https://blog.csdn.net/qq_37340229/article/details/128243277

大家好,这里是海浪学长毕设专题,本次分享的课题是

🎯基于深度学习的医学影像分割

课题背景和意义医学影像分割是计算机辅助诊断中的一项基础且关键的任务,目的在于从像素级别准确识别出目标器官、组织或病变区域。不同于自然场景下的图像,医学影像往往纹理复杂,同时受限于成像技术和成像设备,医学影像噪声大,边界模糊而不易判断。除此之外,对医学影像进行标注极大依赖于医疗专家的认知和经验,因此可用于训练中的标注数据少且存在标注误差。早期的医学影像分割系统主要基于传统的图像分割算法搭建,如基于边缘检测的分割算法 、基于阈值的分割算法和基于区域的分割算法 。但医学图像通常具有对比度低、组织纹理复杂、边界区域模糊等特点,极大地限制了此类图像分割算法的效果和应用场景。随后,针对特定任务设计手工特征的分割算法很长一段时间成为了医学影像分割的研究主流,然而手工特征的设计极大依赖医生的专业先验知识,而且往往泛化能力差,无法迁移到新的任务场景下。因此在实际应用中基于传统图像分割技术的医学影像分割系统仍然不够成熟,无法获得令人满意的分割效果。实现技术思路一、全监督医学图像分割近年来,卷积神经网络 已经成为处理图像分割任务的主流方法,并被广泛拓展到医学图像分割当中。卷积网络能够通过学习特定的卷积核提取丰富的图像特征,从而生成有效、准确的分割结果。网络结构医学图像在数据结构上与自然图像类似,同时,医学图像也存在与自然图像明显不同的特性,如空间尺寸、目标大小、成像质量等。基于这些特性,研究者对自然图像的网络结构进行改进,构建更适用于医学领域的模型。1)编码器-解码器结构于细胞分割的U-Net,这一结构随后被广泛应用于各种医学图像分割任务中。U-Net包括用于特征提取的编码器,以及与之对称、用于恢复空间分辨率并生成分割结果的解码器。 

U-Net通过跳跃连接实现了不同层级的特征融合,提高了分割精度。后进一步对多层特征的融合方式进行改进,提出了 U-Net++,结构如图 2 所示。U-Net++将 U-Net 中简单的跳跃连接替换为卷积层,并且在同分辨率下的不同卷积层、相邻分辨率下的卷积层间添加跳跃连接,从而形成密集连接以强化特征融合。

2)注意力机制随着对神经网络研究的不断深入,注意力机制逐渐得到了广泛的应用,这一机制在人类视觉系统中同样至关重要。通道注意力的 典 型 代 表 为SENet(Squeeze-and-Excitation Network)。SENet 提出了压缩-激发(Squeeze-and-Excitation,SE)模块以对不同通道的特征进行加权。

空间注意力则以Non-local 的一系列工作为代表。区别于通道注意力,空间注意力给每个像素计算注意力图以实现全图范围的特征提取,从而有效地弥补了卷积操作因感受野有限导致的全局特征提取能力的不足。

3) 改进卷积计算

标准卷积的问题在于感受野有限且固定,导致其无法有效地提取全局信息。为了增大感受野,需要堆叠多层卷积层并通过下采样操作降低空间分辨率。然而,这种操作仍存在局限性,因此出现了许多对卷积运算的改进工作,例如空洞卷积与可变形卷积。

相当一部分医学图像(磁共振影像)实际上为三维容积数据。尽管可以使用三维卷积网络直接计算,但相较于二维网络,三维网络的参数量呈指数级增加,限制了其推广应用。而如果使用二维网络计算,则会完全忽略一个维度的信息,影响分割效果。为了缓解这一问题,WNet(Whole tumor Network)提出使用二维卷积提取平面信息,并随后使用一维卷积提取第三个维度的信息。

区别于WNet,MFNet(Multi-direction Fusion Network)在将三维卷积拆分为伪三维卷积的基础上提出了多方向融合模块,该模块使用三支并行的计算分支,每个分支从不同方向将 3 × 3 × 3卷积拆分为3 × 3 × 1与1 × 3 × 3卷积。相较于WNet,该方法同时从三个方向提取特征并进行融合,避免了多次训练与推理的额外计算开销。

4)模型级联由于存在由粗到精的分割过程,除了使用一个模型完成一次性分割,另一种经典而有效的处理方式是将多个模型级联起来,每个模型分别完成一个分割子任务

毕业设计-基于深度学习的医学影像分割(毕业设计基于51单片机多功能电子钟的设计)

损失函数

在全监督学习中,损失函数直接决定了网络的训练目标。对于图像分割任务而言,最常用的损失函数为交叉熵损失,这一损失被广泛应用于自然图像分割任务中。1)交叉熵损失交叉熵(Cross Entropy)损失是图像分割任务中应用最广泛的损失函数,并同时适用于二分类和多分类任务。

2)Dice损失 在评估医学图像分割任务的性能时,Dice 系数为一个常用的指标:

3)多任务损失为了增强分割网络的特征提取能力,研究者在设计损失函数时,除了最终的分割损失之外,还可以根据任务特点设计额外的预测分支以组成多任务损失。精度优化 尽管关于改进网络模型的工作不断出现,但以 U-Net 为代表的经典网络仍然具有相当的竞争力,在众多医学图像分割比赛中具有重要地位。1)数据增广为了避免过拟合,同时增强网络对于各种变化的鲁棒性, 训练数据增广是模型训练不可缺少的操作。由于医学图像及标注获取的困难性,医学数据集规模往往远小于自然图像数据集,因此更容易出现过拟合现象。常用的训练数据增广方法包括随机缩放、随机裁剪、随机旋转、随机翻转、随机噪声等。2)模块优化不断有更有效的通用网络模块被提出,并可以整合到U-Net的编码器-解码器结构中。例如 ,在卷积 层 与 激 活 函 数 之 间 加 入 批 标 准 化 层(Batch Normalization),可以使网络收敛速度更快、鲁棒性更好、效果更出色。对于医学影像分割中常见的三维卷积网络,由于其本身计算开销较大,批尺寸通常严重受限。对于这类网络,使用计算不依赖于批尺寸的标准化方法,例如分组标准化 、样本标准化和层标准化 ,往往可以达到更好的效果。

 3)模型融合

多模型融合是医学图像分割比赛中的常用技巧,由于训练的随机性,单个模型容易陷入局部最优点,而整合多个模型的预测结果通常可以提高整体分割效果,增强分割的鲁棒性。

二、半监督医学图像分割基于自训练和协同训练的算法自训练算法和协同训练算法均通过流形假设来利用已标记数据传播信息生成伪标签并进行迭代优化,已有很多研究将此思想应用于医学影像分割。使用多个模型预测的均值作为伪标签,同时为了使模型学习到更多互补的知识,引入了对抗样本以捕捉不同模型间的差异。此方法额外定义了差异损失函数,针对每个模型 fi 对输入 x 进行调整生成对应的对抗样本 gi ( x)。

使用带噪的伪标签容易造成模型退化而约束后的伪标签又无法提供足够的信息量,为了平衡两者间的矛盾,定义了深度注意力网络(Deep Attention Network,DAN)以自适应地发现和纠正噪声标签中错误的信息,并且提出了分级蒸馏的方法生成更加可靠的伪标签,最终在多个医学分割任务上有效地提升了网络的性能。

 基于一致性正则的算法

通常训练得到的卷积神经网络无法保证这种变换不变性,从而泛化性能较差。半监督学习中为了能够使用少量标注数据训练出更加鲁棒的模型,提出了对数据扰动前后的一致性进行约束的方法在Π-Model 和 Temporal Ensembling的启发下,均值教师算法对两者的思想进行了融合于此方法在脊髓灰质分割任务上进行了实验。

约束从编码器输出的特征中还原的图像应与真实的图像相似,进而强化编码器的特征提取力。 利用重建的方法构建了多任务注意力机制半监督学习(Multi-task Attention-based Semi-Supervised Learning,MASSL)框架辅助训练。

 基于图的算法

在特征空间中的数据点上建立加权无向图G = (V,E),其中V表示数据点,图结构中的边用于描述样本之间局部相似性,相连的样本相似度较高,因而根据流形假设信息可以沿着图的边进行传播,最后将图上所有数据点划分到不相交的子集中完成分类过程。基于生成对抗网络的算法 生成对抗网络(Generative Adversarial Network,GAN)是 一 种 基 于 对 抗 的 学 习 生 成 模 型 算 法 ,包 含 生 成 器 (generator)与判别器(discriminator),其中生成器用于数据的生成,判别器用于结果的评估。通过研究了两种数据生成方式:变形场生成器和加性强度场生成器

深度对抗网络(Deep Adversarial Network,DAN)框架,DAN 将对抗网络应用于腺体分割与真菌分割任务,首先在有标记数据上预训练分割网络,在加入无标记数据后定义了判别网络来评价分割网络的预测质量。

三、医学影像分割中的不确定性度量深度模型集成早期深度模型集成的方式主要采用生成多个训练模型来近似预测分布。

改变模型初始化参数从而获得不同初始化条件下的训练模型,进一步用获得的多个模型下的预测集成来表征模型不确定性:

深度贝叶斯网络

 传 统 的 神 经 网 络 模 型 可 以 视 为 一 个 条 件 分 布 模 型P( y|x,w):输入为 x,模型参数 w,输出预测 y 的分布。网络的学习过程是对模型参数w的最大似然估计:

随机不确定性 随机不确定性指的是观测中固有的噪声,这部分不确定性来源于医疗设备采集成像的数据本身噪声以及标注存在的不可控误差,不能通过获取更多的数据来减轻这种不确定性。输入不确定性指的是由于成像设备的限制导致的医学影像的模糊性,进而导致标注结果受到医疗专家主观认知以及客观差异化的影响,造成误标、漏标的情况。

实现效果图样例

基于深度学习的肿瘤图像分割

 我是海浪学长,创作不易,欢迎点赞、关注、收藏、留言。

毕设帮助,疑难解答,欢迎打扰!

最后
本文链接地址:https://www.jiuchutong.com/zhishi/300428.html 转载请保留说明!

上一篇:golang 和java对比(golang 和 java)

下一篇:Opencv学习之:将图片的值进行范围调整 cv2.normalize()(opencv语句)

  • 抖音语音直播怎么开(抖音语音直播怎么关播)

    抖音语音直播怎么开(抖音语音直播怎么关播)

  • 荣耀30pro可以同时使用两张电信卡吗(荣耀30pro同级别手机)

    荣耀30pro可以同时使用两张电信卡吗(荣耀30pro同级别手机)

  • 直播封禁是什么意思(直播封禁一般要多长时间)

    直播封禁是什么意思(直播封禁一般要多长时间)

  • 华为P40几倍变焦(华为p40pro几十倍变焦)

    华为P40几倍变焦(华为p40pro几十倍变焦)

  • 华为录屏插耳机没声音(华为录屏插耳机没有声音)

    华为录屏插耳机没声音(华为录屏插耳机没有声音)

  • 电信卡只显示2g网络(电信卡只显示2g信号咋办)

    电信卡只显示2g网络(电信卡只显示2g信号咋办)

  • qq加群频繁多久恢复(qq加群频繁多久才能恢复)

    qq加群频繁多久恢复(qq加群频繁多久才能恢复)

  • 淘宝投诉流程怎么走(淘宝投诉最有效办法)

    淘宝投诉流程怎么走(淘宝投诉最有效办法)

  • 机顶盒是猫吗(机顶盒是不是猫)

    机顶盒是猫吗(机顶盒是不是猫)

  • 抖音有没有扫一扫功能(抖音有没有扫一扫登录)

    抖音有没有扫一扫功能(抖音有没有扫一扫登录)

  • 什么播放器可以循环播放(什么播放器可以投屏)

    什么播放器可以循环播放(什么播放器可以投屏)

  • 组成网络的必须设备有哪些(构成网络的要素分别是什么)

    组成网络的必须设备有哪些(构成网络的要素分别是什么)

  • 手机号注销了还能查到个人信息吗(手机号注销了还能收到验证码吗)

    手机号注销了还能查到个人信息吗(手机号注销了还能收到验证码吗)

  • ipad2声音小怎么解决(ipad2020声音小)

    ipad2声音小怎么解决(ipad2020声音小)

  • word统一改数字字体(一次性改word所有数字的格式)

    word统一改数字字体(一次性改word所有数字的格式)

  • 手机视频如何连接电视(手机视频如何连接投影仪播放)

    手机视频如何连接电视(手机视频如何连接投影仪播放)

  • 手机怎么恢复好友qq(手机怎么恢复好友转账记录)

    手机怎么恢复好友qq(手机怎么恢复好友转账记录)

  • 手机怎样查询电费余额(手机怎样查询电话号码)

    手机怎样查询电费余额(手机怎样查询电话号码)

  • 手机支付宝怎么交话费(手机支付宝怎么注销账号)

    手机支付宝怎么交话费(手机支付宝怎么注销账号)

  • 小米手环怎么连接手机(小米手环怎么连接苹果手机)

    小米手环怎么连接手机(小米手环怎么连接苹果手机)

  • 快手号注销需要多久(快手号注销需要什么条件)

    快手号注销需要多久(快手号注销需要什么条件)

  • 华为nova5pro支持无线充电吗(华为nova5pro支持快充吗)

    华为nova5pro支持无线充电吗(华为nova5pro支持快充吗)

  • 优酷可以创建房间吗(优酷创建房间一起看VIP电影需要对方也开通吗)

    优酷可以创建房间吗(优酷创建房间一起看VIP电影需要对方也开通吗)

  • s24evmon.exe - s24evmon是什么进程 有什么用

    s24evmon.exe - s24evmon是什么进程 有什么用

  • Qss自定义属性(qss 设置字体)

    Qss自定义属性(qss 设置字体)

  • 制造业做贸易出口可以退税吗
  • 自来水适用高税率吗
  • 分销佣金税务处理
  • 汽油费通行费等怎么记账
  • 出口退税货物的进项税处理
  • 预期报酬率和期望报酬率一样吗
  • 个人开具劳务费增值税发票
  • 网络贷款需要缴纳保证金吗
  • 销售退货时发票已认证怎么办
  • 怎么算应纳企业所得税
  • 转让不动产增值税纳税义务发生时间
  • 最新的税收政策
  • 外币报表折算差额在会计报表中应作为
  • 不动产转让费用咋算
  • 纳税人识别码是啥
  • 营改增之后的税率
  • 税控技术服务费计入什么科目
  • 核定征收是不是不需要发票了
  • 公司购买商业保险如何入账
  • 基建管理费如何进行结转?
  • 专门从事股权投资的合伙企业投资收益 个人所得税
  • 企业的养老金根据什么扣除
  • 垃圾处理站利润
  • 申请双软企业会查员工学历吗
  • 个人股权转给公司要交个税吗
  • 去年的发票今年能用吗
  • 默认网关不可用频繁掉线
  • linux docx
  • php生成文件流
  • 所有者权益会计科目借贷方向
  • PHP:pg_transaction_status()的用法_PostgreSQL函数
  • 从银行提取现金准备发放工资
  • 怎么修改?
  • 国家公园好玩吗
  • 计提资产减值准备是利好还是利空
  • 公司企业名称变更,银行账号会变吗
  • 税控机维护费抵扣分录
  • php的时间戳
  • 2022年微信小程序游戏
  • python字符串如何提取单词
  • 织梦使用教程
  • mysql用在哪些方面
  • 使用时间
  • nosql manager for mongodb
  • 工会经费发放奖励个税处理
  • 认缴制和实缴制的法律责任
  • row number函数的使用场景
  • 企业会计凭证怎么写
  • 出口退税的范围是多少
  • 城市综合配套
  • 多发了工资怎么做账务处理
  • 工会经费交纳
  • 新企业如何建帐
  • mysql在数据分析中的作用
  • mysql基本教程
  • mysql 5.7.13 winx64安装配置方法图文教程(win10)
  • WINDOWS操作系统最新版本
  • u盘和移动硬盘和固态硬盘的区别
  • linux获取主目录的命令
  • 如何切换shell
  • win1020h2正式版
  • w10开机欢迎界面设置
  • WIN7系统如何设置开机密码和屏保密码
  • dmg是啥文件
  • win7正版提示
  • cocos2dx怎么创建工程
  • 【Cocso2d-x Lua笔记五】quick中的display
  • 关于session的用法哪些是错误的
  • 恶意软件清理
  • jquery解析html文本
  • jquery实现移动端
  • 大学生活最后的日子
  • python selectfrommodel
  • js从数组中选出最大的三个数
  • 税务局约谈记录
  • 区域化管理的利与弊
  • 工会经费怎么缴付
  • 发票勾选后必须抵扣吗
  • 印花税会计分录怎么做 印花税需要计提吗
  • 优化营商环境关于人才工作
  • 免责声明:网站部分图片文字素材来源于网络,如有侵权,请及时告知,我们会第一时间删除,谢谢! 邮箱:opceo@qq.com

    鄂ICP备2023003026号

    网站地图: 企业信息 工商信息 财税知识 网络常识 编程技术

    友情链接: 武汉网站建设