基于超像素和卷积神经网络的CT图像主动轮廓自动分割方法研究

发布时间：2021-03-20 09:58

　　现代医学中使用计算机处理分析人体CT图像已经成为一个重要的研究方向,并有十分重要的临床实际应用价值。人体CT扫描包含丰富的信息,如复杂的软组织、骨、血管和多个器官。对于计算机辅助诊断,在CT图像中分割感兴趣区域（Region of Interest,ROI）是十分重要的前提条件。由于医学CT图像主动轮廓分割方法中对初始轮廓敏感的问题和手动分割耗时耗力问题,寻求一种可以取代人工分割的自动CT图像方法是当务之急。针对医学CT图像主动轮廓分割方法中对初始轮廓敏感的问题和手动分割耗时耗力问题,本文以人体器官脑部、肝脏、肺部和椎骨等CT图像数据为研究对象,提出一种基于超像素和卷积神经网络的CT图像主动轮廓自动分割方法。该方法首先通过超像素分割对CT图像进行超像素网格化;其次通过改进的卷积神经网络进行超像素分类确定边缘超像素,并提取边缘超像素的种子点来组成初始轮廓;最后在提取的初始轮廓基础上,通过求解本文提出的最小综合能量函数来实现人体器官的精准分割。针对本文算法,通过在公开数据集上进行仿真实验,实现人体CT图像的快速、准确自动分割。在人体器官分割的Jaccard、Dice和CCR指标中,本文算法... 

【文章来源】：哈尔滨理工大学黑龙江省

【文章页数】：52 页

【学位级别】：硕士

【部分图文】：

BoundaryRecall方法

哈尔滨理工大学工学硕士学位论文图2-1Under-segmentationError方法Fig.2-1Under-segmentationErrormethod2.BoundaryRecall：如图2-2所示，黑色虚线及实线是图像中物体的轮廓，棕色线是超像素的边界。覆盖图像中物体的轮廓越多，超像素分割效果越好。在给予一定缓冲（灰色区域）的情况下，超像素边缘可以覆盖图像物体边缘（黑色实线）越多越好。图2-2BoundaryRecall方法Fig.2-2BoundaryRecallmethod3.Compactnessscore：它是衡量超像素是否“紧实”的关键要素。如图2-3所示。紧凑度得分越高代表超像素越紧实。图2-3Compactnessscore方法Fig.2-3Compactnessscoremethod8

哈尔滨理工大学工学硕士学位论文-15-图3-2Sigmoid函数Fig.3-2Sigmoidfunction（2）Tanh函数，该函数关于原点中心对称。输出区间在（-1，1）之间，0均值且其收敛速度快于Sigmoid函数，Tanh函数在样本特征相差明显时的效果更佳，在循环处理过程中会不断扩大样本特征效果。Tanh函数如图3-3表示，Tanh函数数学表达式如式（3-2）：图3-3Tanh函数Fig.3-3Tanhfunction（3）ReLU函数，是在CNN网络中最常用的激活函数。ReLU函数对于SGD的收敛速度和计算速度相比于Sigmoid函数和Tanh函数都相对较快。且在一定条件下，缓解了梯度消失的问题。ReLU函数如图3-4表示，ReLU函数数学表达式如式（3-3）所示：2211xxefxe（3-2）

【参考文献】：
期刊论文
[1]医学图像分析深度学习方法研究与挑战[J]. 田娟秀,刘国才,谷珊珊,鞠忠建,刘劲光,顾冬冬.  自动化学报. 2018(03)
[2]基于卷积神经网络的随机梯度下降算法[J]. 王功鹏,段萌,牛常勇.  计算机工程与设计. 2018(02)
[3]一种基于模糊主动轮廓的鲁棒局部分割方法[J]. 孙文燕,董恩清,曹祝楼,郑强.  自动化学报. 2017(04)
[4]结合FCMS与变分水平集的图像分割模型[J]. 唐利明,田学全,黄大荣,王晓峰.  自动化学报. 2014(06)
[5]基于模糊速度函数的活动轮廓模型的肺结节分割[J]. 陈侃,李彬,田联房.  自动化学报. 2013(08)
[6]基于超像素分割的无线内窥镜出血图像检测[J]. 付延安,孟庆虎,张伟.  吉林大学学报(工学版). 2013(02)
[7]基于水平集的脑部MR图像混合分割算法[J]. 任晓颖,吕晓琪,张宝华,喻大华,谷宇.  科技通报. 2013(02)
[8]基于随机森林的目标检测与定位[J]. 刘足华,熊惠霖.  计算机工程. 2012(13)

硕士论文
[1]基于超像素分割的高光谱图像特征变换和分类算法研究[D]. 邓彬.深圳大学 2018
[2]基于深度学习的海面船舶目标检测[D]. 吴科君.哈尔滨工程大学 2018
[3]低剂量CT的后处理和统计迭代重建算法研究[D]. 孙未雅.中北大学 2016
[4]CT三维重建技术在骨折诊断中的应用研究[D]. 李晓俊.华东师范大学 2009



本文编号：3090812