基于深度学习的肝脏CT图像分割方法研究
发布时间：2021-02-25 10:02
肝脏是人体内最大的实质性器官,血管丰富,结构复杂,肝病种类多且发病率高,已严重影响了人类的健康和生命。肝脏手术是治疗肝脏疾病最常用的方法之一,其需要将肝脏从CT图像中分割出来,进行处理分析,获取病理、物理、解剖等方面的信息,为手术方案的制定提供理论基础。而通常是由有经验的专家根据先验知识人工勾画肝脏的轮廓,耗时耗力且主观性强,因此研究全自动的肝脏分割是肝脏手术治疗的首要任务,具有很重要的现实意义和应用价值。近年来,有大量的研究者提出了半自动或全自动的肝脏CT图像分割方法,取得了一定的效果。但依然存在很多问题,例如肝脏与其周围相邻组织器官灰度高度相似和部分容积效应导致肝脏的分割结果超出肝脏区域、样本分布不平衡和定位信息不足等影响肝脏分割的效果,因此目前尚未形成统一且有效的分割方法,不能直接运用于临床诊断和治疗中。为了解决以上问题,本文提出了相应的改进方法。本文的创新主要有以下两点,总结如下:（1）针对经典语义分割模型DeepLab中存在的分类信息足,但定位信息不足的问题,提出了一种能融合多层级特征且保留中间层特征的RV-DeepLab模型。该模型使用跳跃连接融合多层级特征且重新引入中间层...
【文章来源】：重庆大学重庆市 211工程院校 985工程院校 教育部直属院校
【文章页数】：71 页
【学位级别】：硕士
【部分图文】：
肝脏分割中面临的挑战Figure1.1challengesinliversegmentation
重庆大学硕士学位论文2相关研究基础84383318885056132260412131éùêúêúêúêúêúêú此时为第二次生长，边界处剩下灰度值为1、3、5、6的像素，生长区域包进了边界处灰度值为6的像素，生成的新矩阵为：4383318885058132260412131éùêúêúêúêúêúêú此次生长为第三次生长，生长后将停止生长。边界处剩下灰度值为仍然1、3、5、6的像素，生长区域包进了边界处灰度值为5和6的像素，生成的新矩阵为：4383318885088132280412131éùêúêúêúêúêúêú图2.1基于区域生长方法的肝脏分割结果Figure2.1Liversegmentationresultsbasedonregionalgrowth基于区域生长的肝脏CT图像分割方法的分割结果如图2.1所示，左边图是在原始图像中选取了三个位置作为种子点，右边图是基于三个种子点生长得到的肝脏分割结果。此方法是一个从局部到整体的方法，从一个像素点出发，逐像素点
重庆大学硕士学位论文2相关研究基础11图2.3边缘和导数的曲线规律Figure2.3Curvelawofedgeandderivative②串行轮廓跟踪算法串行轮廓跟踪算法在跟踪图像以前，需要对图像进行平滑以及利用形态学方法清除噪声点、空洞等无需的部分。其一般分为三个步骤：1）在肝脏CT图像中挑选一个或多个边缘像素点作为搜索的起始边缘像素点；2）凭借搜索策略、数据结构以及先前发现所有的边缘像素点确定接下来检测的目标，并且对其进行检测操作；3）指定搜索终止的条件，一般形成闭合边界即可终止，当满足终止条件，则停止搜索。2.3基于特定理论的肝脏CT图像分割方法基于特定理论的肝脏CT图像分割方法包括运用遗传算法、图论、数学形态学、活动轮廓等理论来实现对肝脏CT图像的分割。遗传算法是根据生物自然选择、进化以及遗传的思想而得到的一种全局优化且可自适应随机搜索的算法。遗传算法通过选择、交叉、变异等操作进化成新群体，使初始化群体优化到最优状态。在肝脏CT图像分割中，遗传算法能够利用最少的时间找到全局最优的分割阈值[25]，解决算法收敛性差的问题，得到精确的分割结果。在肝脏的轮廓模糊匹配中[26]，使用遗传算法减少错误匹配的问题，让其能够更加准确表达肝脏轮廓匹配中的约束，进而产生比较理想的分割效果。此外，还有许多的研究学者将遗传算法运用于肝脏CT图像分割的各类优化问题中，增强算法的鲁棒性。基于图论的肝脏CT图像分割方法主要有图切割[27][28][29]和随机游走[30]，其主要思想是将肝脏CT图像映射成带权无向图，肝脏图像中的每个像素点与无向图的a(b)(c)(d)
【参考文献】：
期刊论文
[1]基于3D卷积神经网络的肝脏自动分割方法[J]. 何兰,吴倩. 中国医学物理学杂志. 2018(06)
[2]基于序列间先验约束和多视角信息融合的肝脏CT图像分割[J]. 彭佳林,揭萍. 电子与信息学报. 2018(04)
[3]基于配准分割的Graph Cuts自动分割算法在肝脏图像中的研究[J]. 王建军,谢勤岚. 计算机与数字工程. 2018(03)
[4]基于全卷积神经网络的肝脏CT影像分割研究[J]. 郭树旭,马树志,李晶,张惠茅,孙长建,金兰依,刘晓鸣,刘奇楠,李雪妍. 计算机工程与应用. 2017(18)
[5]基于三维动态区域生长算法的肝脏自动分割[J]. 仇清涛,段敬豪,巩贯忠,李登旺,尹勇. 中国医学物理学杂志. 2017(07)
[6]基于图割和边缘行进的肝脏CT序列图像分割[J]. 廖苗,赵于前,曾业战,黄忠朝,邹北骥. 电子与信息学报. 2016(06)
[7]基于区域的肝脏病灶CT图像分割及实现[J]. 彭微. 信息技术. 2011(11)
[8]基于遗传算法的轮廓模糊匹配问题研究[J]. 韩逢庆,李红梅,张建勋,纪纲,刘全利. 系统仿真学报. 2004(04)
硕士论文
[1]基于深度学习的肝脏CT影像分割方法的研究与应用[D]. 马树志.吉林大学 2017
[2]肝脏图像智能分割技术的研究[D]. 鲁锦樑.浙江工业大学 2017
[3]基于三维Snake模型的肝脏CT图像交互式分割系统的设计与实现[D]. 刘星.华中科技大学 2016
[4]肝脏CT图像分割及三维重建算法研究[D]. 黄敏.重庆大学 2013
本文编号：3050807
【文章来源】：重庆大学重庆市 211工程院校 985工程院校 教育部直属院校
【文章页数】：71 页
【学位级别】：硕士
【部分图文】：
肝脏分割中面临的挑战Figure1.1challengesinliversegmentation
重庆大学硕士学位论文2相关研究基础84383318885056132260412131éùêúêúêúêúêúêú此时为第二次生长，边界处剩下灰度值为1、3、5、6的像素，生长区域包进了边界处灰度值为6的像素，生成的新矩阵为：4383318885058132260412131éùêúêúêúêúêúêú此次生长为第三次生长，生长后将停止生长。边界处剩下灰度值为仍然1、3、5、6的像素，生长区域包进了边界处灰度值为5和6的像素，生成的新矩阵为：4383318885088132280412131éùêúêúêúêúêúêú图2.1基于区域生长方法的肝脏分割结果Figure2.1Liversegmentationresultsbasedonregionalgrowth基于区域生长的肝脏CT图像分割方法的分割结果如图2.1所示，左边图是在原始图像中选取了三个位置作为种子点，右边图是基于三个种子点生长得到的肝脏分割结果。此方法是一个从局部到整体的方法，从一个像素点出发，逐像素点
重庆大学硕士学位论文2相关研究基础11图2.3边缘和导数的曲线规律Figure2.3Curvelawofedgeandderivative②串行轮廓跟踪算法串行轮廓跟踪算法在跟踪图像以前，需要对图像进行平滑以及利用形态学方法清除噪声点、空洞等无需的部分。其一般分为三个步骤：1）在肝脏CT图像中挑选一个或多个边缘像素点作为搜索的起始边缘像素点；2）凭借搜索策略、数据结构以及先前发现所有的边缘像素点确定接下来检测的目标，并且对其进行检测操作；3）指定搜索终止的条件，一般形成闭合边界即可终止，当满足终止条件，则停止搜索。2.3基于特定理论的肝脏CT图像分割方法基于特定理论的肝脏CT图像分割方法包括运用遗传算法、图论、数学形态学、活动轮廓等理论来实现对肝脏CT图像的分割。遗传算法是根据生物自然选择、进化以及遗传的思想而得到的一种全局优化且可自适应随机搜索的算法。遗传算法通过选择、交叉、变异等操作进化成新群体，使初始化群体优化到最优状态。在肝脏CT图像分割中，遗传算法能够利用最少的时间找到全局最优的分割阈值[25]，解决算法收敛性差的问题，得到精确的分割结果。在肝脏的轮廓模糊匹配中[26]，使用遗传算法减少错误匹配的问题，让其能够更加准确表达肝脏轮廓匹配中的约束，进而产生比较理想的分割效果。此外，还有许多的研究学者将遗传算法运用于肝脏CT图像分割的各类优化问题中，增强算法的鲁棒性。基于图论的肝脏CT图像分割方法主要有图切割[27][28][29]和随机游走[30]，其主要思想是将肝脏CT图像映射成带权无向图，肝脏图像中的每个像素点与无向图的a(b)(c)(d)
【参考文献】：
期刊论文
[1]基于3D卷积神经网络的肝脏自动分割方法[J]. 何兰,吴倩. 中国医学物理学杂志. 2018(06)
[2]基于序列间先验约束和多视角信息融合的肝脏CT图像分割[J]. 彭佳林,揭萍. 电子与信息学报. 2018(04)
[3]基于配准分割的Graph Cuts自动分割算法在肝脏图像中的研究[J]. 王建军,谢勤岚. 计算机与数字工程. 2018(03)
[4]基于全卷积神经网络的肝脏CT影像分割研究[J]. 郭树旭,马树志,李晶,张惠茅,孙长建,金兰依,刘晓鸣,刘奇楠,李雪妍. 计算机工程与应用. 2017(18)
[5]基于三维动态区域生长算法的肝脏自动分割[J]. 仇清涛,段敬豪,巩贯忠,李登旺,尹勇. 中国医学物理学杂志. 2017(07)
[6]基于图割和边缘行进的肝脏CT序列图像分割[J]. 廖苗,赵于前,曾业战,黄忠朝,邹北骥. 电子与信息学报. 2016(06)
[7]基于区域的肝脏病灶CT图像分割及实现[J]. 彭微. 信息技术. 2011(11)
[8]基于遗传算法的轮廓模糊匹配问题研究[J]. 韩逢庆,李红梅,张建勋,纪纲,刘全利. 系统仿真学报. 2004(04)
硕士论文
[1]基于深度学习的肝脏CT影像分割方法的研究与应用[D]. 马树志.吉林大学 2017
[2]肝脏图像智能分割技术的研究[D]. 鲁锦樑.浙江工业大学 2017
[3]基于三维Snake模型的肝脏CT图像交互式分割系统的设计与实现[D]. 刘星.华中科技大学 2016
[4]肝脏CT图像分割及三维重建算法研究[D]. 黄敏.重庆大学 2013
本文编号：3050807
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3050807.html
最近更新
教材专著
