基于深度学习的心脏医学图像分割方法研究

发布时间：2021-04-22 08:13

　　近年来,世界范围内与心血管疾病有关的死亡率和发病率持续增加。在包括中国在内的许多国家,此类疾病已经成为人口死亡的主要原因。心脏疾病的早期定量诊断和风险评估,对于预防猝死和改善患者生活质量至关重要。临床上应用计算机断层扫描（CT）,磁共振成像（MRI）和其他成像技术进行心脏成像。虽然,对心脏图像的人工手动分割可以产生较为精确的分割结果,但人工分割重复性差且过程十分费时。除此之外,手动分割无法处理大量的成像数据以对心脏疾病进行定量诊断。基于上述手动分割的限制,研究人员在心脏图像分析方面对半自动或全自动分割方法进行了大量的研究。然而,复杂的心脏结构、模糊的子结构边界以及图像采集过程中由于心脏搏动而产生的运动伪影和噪声等限制,使得心脏结构的准确定位和分割十分困难。因此,对心脏的准确分割仍然十分具有挑战性。全心脏分割是指对心脏子结构的体积和形状的提取。心脏子结构具体包括四个腔室（左心室、右心室、左心房、右心房）、左心室心肌层以及大血管（升主动脉、肺动脉）。本文针对CT心脏医学图像,结合使用深度学习方法,对全心脏分割进行实验研究,提出基于3D ML-UN网络和3D DML-UN级联网络的心脏分割方... 

【文章来源】：武汉大学湖北省 211工程院校 985工程院校 教育部直属院校

【文章页数】：63 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1 课题研究背景及意义
    1.2 国内外研究现状与发展趋势
    1.3 论文研究内容与章节安排
        1.3.1 论文研究内容
        1.3.2 论文章节安排
第二章 医学图像分割方法概述
    2.1 引言
    2.2 经典图像分割方法
        2.2.1 曲面模型
        2.2.2 可变模型
        2.2.3 统计模型
    2.3 基于深度学习的图像分割方法
        2.3.1 深度学习概述
        2.3.2 卷积神经网络
        2.3.3 全卷积神经网络
        2.3.4 U-net
    2.4 本章小结
第三章 图像预处理与基于3D U-net的ROI检测
    3.1 引言
    3.2 MM-WHS 2017数据简介与分析
    3.3 MM-WHS 2017数据预处理
        3.3.1 标签数据预处理
        3.3.2 原始数据预处理
    3.4 基于3D U-net的心脏医学图像ROI检测
        3.4.1 数据处理与增强
        3.4.2 改进的3D U-net ROI检测网络结构
        3.4.3 实验结果
    3.5 本章小结
第四章 多损失网络的全心脏医学图像分割
    4.1 引言
    4.2 基于3D ML-UN的全心脏医学图像分割网络
        4.2.1 数据处理与增强
        4.2.2 3D ML-UN网络结构
        4.2.3 实验结果与分析
    4.3 基于3D DML-UN的全心脏医学图像级联分割网络
        4.3.1 级联分割网络结构
        4.3.2 实验结果与分析
    4.4 本章小结
第五章 总结与展望
    5.1 本文工作总结
    5.2 后续工作展望
参考文献
附录1 攻读硕士学位期间发表的论文
附录2 攻读硕士学位期间参与的科研项目
致谢


【参考文献】：
期刊论文
[1]《中国心血管病报告2016》概要[J]. 陈伟伟,高润霖,刘力生,朱曼璐,王文,王拥军,吴兆苏,李惠君,顾东风,杨跃进,郑哲,蒋立新,胡盛寿.  中国循环杂志. 2017(06)



本文编号：3153445