医学图像三维重建及辅助诊断算法研究

发布时间：2022-10-10 13:44

　　据世界卫生组织统计,肺癌已经成为确诊病例数、致死人数最高的癌症。利用计算机技术对肺癌的早期形态——肺结节进行筛查有利于早发现、早治疗,提高肺癌的生存机会,同时也能减轻阅片负担,辅助医生的诊断工作。近年来,深度学习技术在发展的同时也被应用到包含医学图像分析的各个领域,利用深度学习进行肺结节的检测与分割就是其中一个热点研究方向。本文以胸部CT图像数据为研究对象,探索利用深度学习和三维重建技术提供快捷、准确且易观察的肺结节辅助诊断方法。主要内容如下:首先,研究了基于Mask R-CNN的肺结节检测与分割方法。由于医学图像具有样本量少和正负样本不平衡的特点,本文采用了具有骨干网络迁移学习机制、二阶段结构控制正负样本比例、同时具有检测和分割功能的Mask R-CNN,并探索了具有不同权重的损失函数对检测和分割结果的影响。目前研究大都是肺结节的检测任务,缺乏含肺结节轮廓标签的数据集,本文将LUNA16数据集进行预处理,之后在影像科医生标记的肺结节直径基础上,利用labelme标记工具,建立了包含2763张具有肺结节轮廓标签的胸部CT横截面数据集:labeme＿LUNA16;然后分别在数据集LUNA... 

【文章页数】：75 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第1章 绪论
    1.1 研究背景及意义
        1.1.1 研究背景
        1.1.2 研究意义
    1.2 国内外研究现状
        1.2.1 肺结节检测
        1.2.2 肺结节分割
    1.3 研究难点
        1.3.1 肺结节尺寸差异大
        1.3.2 肺结节CT征象复杂
        1.3.3 扫描图像质量差异
        1.3.4 医学图像本身的限制
    1.4 本文研究内容及章节安排
        1.4.1 本文研究内容
        1.4.2 本文章节安排
第2章 医学图像基础及其目标检测分割算法
    2.1 医学图像基础
        2.1.1 医学图像存储格式
        2.1.2 CT亨氏值、窗宽和窗位
        2.1.3 三个坐标系
    2.2 肺结节的CT征象
    2.3 目标检测算法
        2.3.1 R-CNN
        2.3.2 SPP-net
        2.3.3 Fast R-CNN
        2.3.4 Faster R-CNN
        2.3.5 Faster R-CNN+FPN
    2.4 医学图像分割
        2.4.1 patch-based architecture
        2.4.2 FCN
        2.4.3 U-net
    2.5 本章小结
第3章 基于Mask R-CNN的肺结节检测与分割算法
    3.1 Mask R-CNN算法
        3.1.1 骨干网络(backbone)
        3.1.2 特征金字塔网络(FPN)
        3.1.3 区域建议网络(RPN)
        3.1.4 功能分支:分类、检测和分割
    3.2 实验过程
        3.2.1 数据库
        3.2.2 数据预处理
        3.2.3 Mask R-CNN参数设置
        3.2.4 实验环境
    3.3 实验结果与分析
        3.3.1 肺结节检测结果
        3.3.2 肺结节分割结果
    3.4 本章小结
第4章 医学图像三维重建算法
    4.1 移动立方体法
    4.2 光线投射法
    4.3 算法分析与比较
    4.4 三维重建实验
        4.4.1 三维重建实验环境
        4.4.2 实验过程与结果
    4.5 本章小结
第5章 肺结节三维可视化辅助诊断系统
    5.1 系统总体架构
    5.2 系统开发平台
        5.2.1 系统硬件开发平台
        5.2.2 系统软件开发平台
    5.3 系统功能与测试
    5.4 本章小结
第6章 总结与展望
    6.1 工作总结
    6.2 工作展望
参考文献
致谢
攻读硕士学位期间从事的科研工作及取得的成果


【参考文献】：
期刊论文
[1]小波能量引导下基于活动轮廓模型的部分实性肺结节分割[J]. 冯宝,陈相猛,李浦生,陈业航,姚楠,龙晚生.  华南理工大学学报(自然科学版). 2019(02)
[2]基于CUDA架构的改进Marching Cubes算法[J]. 周筠,蒋富.  计算机科学. 2018(S2)
[3]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)
[4]基于深度学习的计算机辅助肺癌诊断方法[J]. 张鹏,徐欣楠,王洪伟,冯元力,冯浩哲,张建伟,闫守琨,侯宇轩,宋怡文,李佳翔,刘新国.  计算机辅助设计与图形学学报. 2018(01)
[5]医学影像计算机辅助检测与诊断系统综述[J]. 郑光远,刘峡壁,韩光辉.  软件学报. 2018(05)
[6]肺部CT图像病变区域检测方法[J]. 韩光辉,刘峡壁,郑光远.  自动化学报. 2017(12)
[7]医学图像三维可视化技术及其新进展[J]. 王猛,孔繁之.  医学影像学杂志. 2015(06)
[8]检测肺结节的3维自适应模板匹配[J]. 高婷,龚敬,王远军,聂生东,孙希文.  中国图象图形学报. 2014(09)
[9]基于八叉树编码的CUDA光线投射算法[J]. 康健超,康宝生,冯筠,王国栋,赵建东,唐斌.  西北大学学报(自然科学版). 2012(01)
[10]Marching Cubes算法改进研究及应用[J]. 僧德文,李仲学,李翠平,李春民.  计算机应用研究. 2006(07)

硕士论文
[1]基于深度学习的肺结节检测研究[D]. 李媛媛.电子科技大学 2019
[2]医学CT三维重建技术的研究与实现[D]. 王晓.华中科技大学 2007



本文编号：3689725