基于深度学习的医学图像分割算法研究

发布时间：2020-03-22 18:44

【摘要】：医学图像分割是计算机辅助诊断和治疗的重要步骤。近些年来,随着深度学习技术的快速发展,基于卷积神经网络的图像分割技术已经逐渐趋向成熟。但是,由于医学图像本身的复杂性以及深度学习方法的局限性,医学图像的分割性能仍有待提高。本文将根据医学图像的特性,采用深度学习的方法设计先进的分割算法。PET,CT以及MRI图像被广泛应用于临床医学研究。PET(Positron Emission Tomography)是一种分子功能成像技术,其在人体组织早期病变检测方面非常有效。但是,由于成像时容积效应的影响,PET图像中的病理区域边缘通常是模糊的,且图像具有强度不均匀和高噪声的特点。CT(Computed Tomography)是一种解剖成像技术,主要提供了人体的组织结构信息,相较于PET图像分辨率较高。但是,由于病理区域与正常组织间的灰度相似性,两者之间不存在明显的分界线。所以,单独利用PET图像或者CT图像完成病理区域分割任务非常困难。本文以如何有效融合PET和CT图像各自的优点为出发点,设计了基于3D全卷积神经网络的高精度的病理区域分割算法Co-Segmentation以及Cross-DenseNet,该算法有效结合了PET和CT的优势信息,完成了端对端的全自动分割。同时,本文所提出的算法是一个通用的网络架构,可以迁移到其它不同模态和共分割任务上。MRI(Magnetic Resonance Imaging)图像也被称作磁共振成像,其凭借着高分辨率的特点经常被用于多器官分割任务。但是,由于器官的多样性,不同器官之间的形状,灰度,纹理等特征也不尽相同,从而也带来了图像分割任务中目标多尺度的问题。为了提高分割精度,本文根据MRI图像的特点,提出了针对多尺度目标优化的分割算法MTBNet,该算法同时可以以一种即插即用的方式集成到其它分割算法之中,简单易用。
【图文】：

计算机视觉领域，能够通过全自动的方式对医学图像进行初步的生诊断最直接、有效的方式。而算法对病理区域（肿瘤）或器官的接影响到计算机辅助诊断方案的成败。近些年来，随着硬件计算能度学习[3]在计算机视觉领域大放异彩，卷积神经网络（convoluti(b)图 1-1 (a)PET-CT 扫描仪；(b) PET-CT 设备成像示意图

像语义分割是计算机视觉和图像处理领域的基础研究之一，是图像理部分，同时也是一个极具挑战性的问题。在临床医学研究中，根据分割像源的不同可以分为单模态图像分割方法和多模态共分割方法。其中割方法所涉及到的图像源主要有 PET、CT 以及 MRI 图像等，，共分割用了 PET/CT 图像。根据发展历程和理论基础的不同，又可分为传统的于深度学习的图像分割。其中，传统的分割方法主要有基于图论、区等。基于深度学习技术的分割方法主要利用了全卷积神经网络[8]、编]、跨层连接[10, 14]以及空洞卷积[16]等。下面分别以不同的角度对自然图像分割的发展历程作一个概述。单模态图像分割方法概述统的图像分割方法主要根据边缘、灰度等特征将图像划分为若干互不大多数均是基于灰度值的相似和不连续的性质完成分割任务。
【学位授予单位】：华中科技大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP391.41;TP18

【相似文献】

相关期刊论文 前10条

1 韩悬;马银平;;分水岭算法的改进及在图像分割中的应用[J];现代信息科技;2019年24期

2 黄玲;石玉秋;覃永新;;基于小波融合的苹果图像分割的研究[J];科技视界;2018年29期

3 侯红英;高甜;李桃;;图像分割方法综述[J];电脑知识与技术;2019年05期

4 姚霆;张炜;刘金根;;基于深度学习的图像分割技术[J];人工智能;2019年02期

5 丁翠;;基于模糊信息处理的图像分割方法研究[J];信息系统工程;2017年11期

6 王平;魏征;崔卫红;林志勇;;一种基于统计学习理论的最小生成树图像分割准则[J];武汉大学学报(信息科学版);2017年07期

7 李然;李记鹏;宋超;;基于显著性检测的协同图像分割研究[J];现代计算机(专业版);2017年24期

8 邓惠俊;;一种基于数据场的图像分割方法与研究[J];长春工程学院学报(自然科学版);2016年02期

9 李继云;冀卿伟;;基于自适应局部阈值的交互式图像分割[J];计算机应用与软件;2014年11期

10 刘印;;对图像分割方法的认识及新进展研究[J];数码世界;2018年08期

相关会议论文 前10条

1 闫平昆;;基于模型的图像分割技术及其医学应用[A];第十五届全国图象图形学学术会议论文集[C];2010年

2 杨生友;;图像分割在医学图像中应用现状综述[A];2009中华医学会影像技术分会第十七次全国学术大会论文集[C];2009年

3 朱士蓉;谢昭;高隽;;一种图模型下的柔性图像分割方法[A];中国仪器仪表学会第十二届青年学术会议论文集[C];2010年

4 朱松豪;刘佳伟;罗青青;胡荣林;;基于关联模型的图像分割[A];第26届中国控制与决策会议论文集[C];2014年

5 张志会;王华英;熊南燕;廖薇;成惠;刘飞飞;;对基于图像分割与合并的相位展开算法的改进[A];第十届全国光电技术学术交流会论文集[C];2012年

6 杨加文;谢凤英;;基于深度学习的皮肤镜图像分割[A];第十五届中国体视学与图像分析学术会议论文集[C];2017年

7 郭世可;董槐林;龙飞;张海波;;一种结合密度聚类和区域生长的图像分割方法[A];第二十四届中国数据库学术会议论文集（研究报告篇）[C];2007年

8 刘智勇;李进;黄道君;;基于遗传算法的视频交通量检测图像分割方法[A];中国体视学学会图像分析专业、中国体视学学会仿真与虚拟现实专业、中国航空学会信号与信息处理专业第一届联合学术会议论文集[C];2000年

9 张萍;单筱攸;巴成贺;;主动脉图像分割的研究与实现[A];第十二届中国体视学与图像分析学术会议论文集[C];2008年

10 赵建业;余道衡;;一种基于模糊细胞神经网络的多值图像分割新方法[A];中国体视学学会图像分析专业、中国体视学学会仿真与虚拟现实专业、中国航空学会信号与信息处理专业第一届联合学术会议论文集[C];2000年

相关重要报纸文章 前1条

1 赵利利;图像分割出新方法[N];中国科学报;2019年

相关博士学位论文 前10条

1 邵光普;基于混合模型和空间信息的图像分割研究[D];华中科技大学;2019年

2 王晨;视觉显著性检测方法研究及其应用[D];西北工业大学;2018年

3 古晶;基于稀疏特征学习的SAR图像分割与半监督分类方法研究[D];西安电子科技大学;2016年

4 段一平;基于层次视觉计算和统计模型的SAR图像分割与理解[D];西安电子科技大学;2017年

5 胡佩君;腹部CT图像分割的可计算建模方法研究[D];浙江大学;2018年

6 姜枫;基于语义识别的砂岩薄片图像分割方法研究[D];南京大学;2018年

7 赵晓丽;面向图像分割的智能算法研究[D];上海大学;2018年

8 倪波;高强度聚焦超声图像分割方法研究[D];武汉大学;2016年

9 彭自立;用于交互式图像分割的自适应表观分离[D];湖南师范大学;2018年

10 瞿绍军;基于最优化理论的图像分割方法研究[D];湖南师范大学;2018年

相关硕士学位论文 前10条

1 王亚彪;基于深度学习的人脑组织图像分割[D];北京理工大学;2016年

2 王宇飞;基于模糊聚类技术的磁共振脑图像分割方法的研究[D];北京理工大学;2017年

3 王宁;基于生成对抗网络的皮肤镜图像分割算法研究[D];山东科技大学;2018年

4 张弯;近景图像分割与像对分步匹配方法研究[D];山东科技大学;2018年

5 闫文杰;基于深度学习的肺部CT影像分割算法的研究[D];大连理工大学;2019年

6 殷丽丽;基于CNN-CRF的细胞显微图像分割[D];东华大学;2019年

7 秦松岩;基于深度学习的火车轮对踏面图像分割[D];石家庄铁道大学;2019年

8 赵向明;基于深度学习的医学图像分割算法研究[D];华中科技大学;2019年

9 袁旭;基于超像素的图像分割方法研究[D];华中科技大学;2019年

10 胡翔;试卷智能辅助批阅系统的设计与实现[D];华中科技大学;2019年

本文编号：2595461