全文总字数：2852字

1. 研究目的与意义及国内外研究现状

在现今的现代医学研究中，影像诊断已经是一项不可或缺的辅助技术 ，例如脑核磁共振图像就能形成一个有效的脑部解剖成像，然而由于设备噪声和偏移场效应，脑核磁共振图像图像经常具有模糊、不均匀等特性，这给医生的诊断工作带来极大的困难。常用的解决办法就是对脑核磁共振图像进行分割，目前常用的分割方法有基于阈值的图像分割算法，基于PDE的图像分割算法等等。它们都有各自在图像分割中的优点和缺点，其中基于深度学习框架下的卷积神经网络由于提供了一个统一的方法进行特征提取，避免了人工提取的风险，也成为图像分割的热点方法之一。本文使用基于全卷积神经网络的U-net，通过数据增强，扩充数据集避免了模型陷入过拟合，大大提升了图像分割精准率，得到更准确的分割结果，这将助医生能够准确地区分病变组织与正常组织，提高了临床诊断的准确性与正确性。

国内外研究现状

现在对脑核磁共振图像的分割方法有很多，有基于灰度的阈值分割法，聚类算法等等，此类方法都是直接依据图像的灰度进行分割。其中阈值类方法简单高效，但在脑核磁共振图像中，各组织灰度往往有重叠的部分，所以分割效果并不理想。

而聚类算法中的分割方法如基于高斯混合模型的方法，此方法可解决不确定性分类和解决复杂图像的分割，但由于它在统计时忽略了像素之间的空间信息，这使得它抗噪声能力低下。 Neeraj Dhungel等人在Deep Learning and Structured Prediction for the Segmentation of Mass inMammograms提出分割乳房x射线图像中肿瘤分割的框架，实验表明分割准确率大幅优于高斯混合模型。

2. 研究的基本内容

本课题主要分析实现卷积神经网络并将其运用到脑核磁共振图像的分割，分别分析并实现cnn，fcn，u-net三种模型图形分割，并用matlab实现整个分割过程。

cnn是一种常见的深度学习架构，传统的cnn是不能进行脑核磁共振图像分割，本文首先研究并实现将cnn运用到确切目标的分类上。接着分析并实现将fcn运用到脑核磁共振图像的分割上，并分析其优点和缺点。最后分析并实现将u-net运用到脑mr图像的分割上，分析其优缺点。

通过matlab完成脑mr图像分割，总结分析三个模型优点和缺点。

3. 实施方案、进度安排及预期效果

试用matlab实现基于卷积神经网络的脑mr图像分割。matlab具有强大的计算功能和丰富的工具箱函数。它提供的图像处理工具箱，包含了许多常用的图像处理函数，支持许多图像处理操作。可方便地调用工具箱中现成的函数，把精力集中在方法的实现上而不是基础操作的编程上，从而能大大提高研究效率。2月25日~3月1日复习学年论文相关内容;3月2日~3月11日深入理解cnn相关文献，掌握相关理论并变成实现;

3月12日~3月21日深入理解fcn相关文献，掌握相关理论并变成实现;

3月22日~3月31日深入理解u-net相关文献，掌握相关理论并变成实现;

4. 参考文献