基于随机森林的三维医学图像解剖特征点自动定位技术研究

发布时间：2022-02-21 09:09

　　现代医学中,临床诊断和治疗的过程越来越多地应用到三维医学图像,并且三维医学图像中特征点的自动定位成为头影测量分析、CT图像前列腺部位分割等医学图像分析任务的关键。然而,目前临床上解剖特征点的定位仍然要依靠医生手动进行测量和定位,这种方式不仅浪费了经验丰富的医生的时间和精力而且由于医生不同时间状态不同或者不同医生之间的差异会导致解剖特征点的定位准确性受到影响。因此解剖特征点的定位精度直接影响后续医学图像处理和分析的准确性。因此发展三维医学图像解剖特征点的自动定位具有重要的临床价值和理论价值。首先针对三维头影测量CBCT（Cone beam CT,CBCT）图像解剖特征点的自动定位问题,本文提出一种基于随机森林的三维头影测量CBCT图像解剖特征点的自动定位方法。该方法分为训练阶段和测试阶段,训练阶段首先从三维医学图像中提取外观特征作为第一层随机森林模型的输入,通过随机森林模型产生每个解剖特征点的偏移距离图。然后从上一步骤得到的偏移距离图中提取上下文特征,并且将上下文特征和原始的外观特征结合起来作为第二层随机森林的输入训练出第二层随机森林。测试阶段将待检测的三维头影测量CBCT图像输入本随机... 

【文章来源】：南京邮电大学江苏省

【文章页数】：62 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 选题背景以及意义
    1.2 三维X射线头影测量分析
        1.2.1 X射线基本介绍
        1.2.2 三维X射线头影测量图像的获取
        1.2.3 X射线头影测量分析的基本步骤与常用解剖特征点
        1.2.4 X射线头影测量技术的发展情况
    1.3 特征点自动定位和CT图像前列腺分割
        1.3.1 IGRT基本步骤
        1.3.2 基于解剖特征点的三维CT图像前列腺分割方法
    1.4 三维医学图像特征点定位研究现状
    1.5 论文的内容安排
第二章 相关背景知识介绍
    2.1 构造决策树
        2.1.1 信息增益的定义以及计算
        2.1.2 增益率
        2.1.3 基尼指数
    2.2 决策树的生成和修剪
        2.2.1 决策树的生成
        2.2.2 决策树的修剪
    2.3 决策树的存储与应用
        2.3.1 使用决策树进行分类
        2.3.2 决策树的存储
    2.4 本章小结
第三章 基于随机森林的三维头影测量CBCT图像口腔解剖特征点自动定位方法
    3.1 训练阶段
        3.1.1 随机森林算法介绍
        3.1.2 三维Haar-like特征
        3.1.3 上下文特征
        3.1.4 训练阶段
    3.2 测试阶段
    3.3 实验结果与分析
    3.4 本章小结
第四章 基于随机森林的前列腺CT图像解剖特征点定位算法
    4.1 具体方法
        4.1.1 训练阶段
        4.1.2 测试阶段
    4.2 实验结果分析
    4.3 本章小结
第五章 总结与展望
参考文献
附录1 攻读硕士学位期间申请的专利
附录2 攻读硕士学位期间参加的科研项目
致谢


【参考文献】：
期刊论文
[1]随机森林方法研究综述[J]. 方匡南,吴见彬,朱建平,谢邦昌.  统计与信息论坛. 2011(03)
[2]锥形束CT转化头颅侧位片定点精确性的研究[J]. 刘怡,赵健慧,丁云,许天民.  中华口腔正畸学杂志. 2010 (02)



本文编号：3636945