基于水平集及卷积神经网络的医学图像处理方法研究

发布时间：2021-09-15 08:55

　　随着大数据时代的到来以及现代医学影像技术的发展,医学图像的质量和数量都在不断增长,使用人力对图像进行处理及分析就显得格外困难,而那些未经过处理的图像使用价值并不高,因此自然需要一种方法可以自动的对大量图像数据进行初步的处理。水平集方法与传统图像分割算法相比,能够处理拓扑结构的复杂变化,数值计算也比较简单,而近几年卷积神经网络的发展迅速并应用到了医学图像处理领域,在提高医学图像分类准确率的同时,还省去了传统分类方法的特征提取步骤,大大提高了图像分类的效率。如果能用计算机对医学图像自动的进行正常与患病的预测分类,之后对被判断为患病的图像进行分割处理,这样就可以为医生后续的诊断分析提供便利。本文分两部分介绍了图像分割和分类的方法,分割部分首先对曲线演化理论及水平集的原理进行了介绍,随后通过对传统能量函数的改进优化了水平集模型对医学图像边界的识别效果,提高了分割的准确率。分类部分则建立了一个卷积神经网络,对磁共振图像进行对比试验确定一些影响网络分类准确率的参数及方法选择,根据这些参数建立最终的网络,然后再使用医学图像对网络进行训练和测试。为了验证本文所提方法的有效性,本文选取了人体正常MRI图... 

【文章来源】：燕山大学河北省

【文章页数】：74 页

【学位级别】：硕士

【部分图文】：

质子的自旋与进动

图 3-11 RSF模型算法分割结果图 3-12 LIC 模型算法分割结果图 3-13 DRLSE 模型算法分割结果可以看出，上述几种传统模型对图像分割效果不是很好，一部分区域出现了过

图 3-12 LIC 模型算法分割结果图 3-13 DRLSE 模型算法分割结果可以看出，上述几种传统模型对图像分割效果不是很好，一部分区域出现了过度分割，明明并不是病变区域但是却被划分为病变区域，还有一部分区域出现了分割欠缺的现象，本文的分割算法相较于传统模型，对过分割和欠分割的现象均有一定程度的改善。3.5.4 其他部位磁共振图像分割结果为了证明本文算法对不同部位磁共振图像的普适性，在图像的采集过程中还扫

【参考文献】：
期刊论文
[1]基于DICOM标准的医学影像数据格式分析及存储方法[J]. 方胜吉.  中国新通信. 2017(09)
[2]卷积神经网络研究综述[J]. 李彦冬,郝宗波,雷航.  计算机应用. 2016(09)
[3]医学图像分割及其发展现状[J]. 江贵平,秦文健,周寿军,王昌淼.  计算机学报. 2015(06)
[4]基于区域信息的水平集医学图像分割[J]. 陈静,朱家明,盛朗,居小平.  软件. 2014(04)



本文编号：3395782