基于多模态的医学图像分割关键技术研究

发布时间：2022-12-07 06:55

　　众所周知,恶性肿瘤是一种全球性的难以治疗的疾病,目前已经成为危害人类生病的主要疾病之一。对肿瘤进行早期的准确诊断、定位、定性、分类、分割是后续治疗的关键。随着医学成像技术的不断发展,肝脏增强计算断层成像（Computed Tomography,CT）,颅内磁共振（Magnetic Resonance Imaging,MRI）等医学成像已经成为疾病筛查、早期诊断、治疗方案确定和预后评估中至关重要的一个部分。计算机辅助医疗很大程度上可以缓解人口老龄化的不断加剧带来的医疗资源严重不足的压力,通过大量的医学数据深度学习之后,辅助医生读取CT影像,早期的癌症筛查,这将在很大程度上缓解医疗人员不足的压力和误诊、误判的压力。医学图像分割是大多从事研究人员关注的图像处理研究的热点问题,随着深度学习在各种分类问题,目标检测问题,分割问题上取得巨大的进展,深度学习方法,特别是卷积神经网络,已经迅速成为分析医学图像的首选方法。医学影像分割是从二维或三维医学影像中检测出目标对象的边界,获取正常组织器官及肿瘤病变区域。本文具体的创新点和贡献总结如下:1.对医学图像分割的发展过程和其经典方法进行阐述分析和研究。详... 

【文章页数】：84 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
1 绪论
    1.1 课题研究内容与提出的研究意义
    1.2 国内外研究现状和发展趋势
        1.2.1 医学图像分割研究
        1.2.2 脑部肿瘤图像分割现状
        1.2.3 肝脏占位性病变区域分割现状
    1.3 本论文的创新点
    1.4 本文主要研究内容以及各章内容安排
2 分割网络的基础知识概述
    2.1 基于卷积神经网络的分割算法
        2.1.1 卷积神经网络的基本原理
        2.1.2 基于卷积神经网络的分割算法
    2.2 多模态融合
    2.3 本章小结
3 基于多模态加权的U-NET模型的脑肿瘤分割方法
    3.1 问题概述
    3.2 框架设计与算法实现
        3.2.1 预处理
        3.2.2 基于U-Net的基准模型
        3.2.3 多模态加权融合的分割网络
    3.3 实验设计与结果分析
        3.3.1 实验环境配置
        3.3.2 网络训练与参数设置
    3.4 图像分割评估方法
    3.5 实验结果
        3.5.1 自动化网络分割示例
        3.5.2 单模态分割结果与多模态融合结果对比
        3.5.3 各网络模型分割结果对比
    3.6 本章小结
4 基于三维卷积神经网络的多模态加权U-NET的肝脏占位性病变分割方法
    4.0 三维卷积
    4.1 框架设计与算法实现
        4.1.1 数据预处理
        4.1.2 基于三维卷积神经网络的多模态加权U-Net的分割网络设计
    4.2 实验环境配置
        4.2.1 实验环境配置
        4.2.2 网络训练与参数设置
    4.3 图像分割评估方法
    4.4 实验结果
        4.4.1 多模态分割与单模态分割对比
        4.4.2 对比实验结果分析
        4.4.3 各网络模型分割结果对比
    4.5 本章小结
5 总结与展望
    5.1 本文主要工作总结
    5.2 后续研究方向展望
参考文献
攻读硕士学位期间主要的研究成果
致谢


【参考文献】：
期刊论文
[1]肿瘤化疗患者应用健康教育的临床效果分析[J]. 植秀峰.  人人健康. 2015(23)
[2]图像阈值分割方法研究进展20年（1994—2014）[J]. 吴一全,孟天亮,吴诗婳.  数据采集与处理. 2015(01)
[3]PET/CT成像原理、优势及临床应用[J]. 孙涛,韩善清,汪家旺.  中国医学物理学杂志. 2010(01)
[4]Snake模型综述[J]. 李天庆,张毅,刘志,胡东成.  计算机工程. 2005(09)



本文编号：3712439