全卷积神经网络算法及其在肺部肿瘤图像分割上的应用研究

发布时间：2021-05-16 10:44

　　随着深度学习技术的不断进步,人工智能在智慧医疗领域的应用不断深入,很多新型的人工智能算法应用到了医学诊断过程中。在癌症的诊断过程中,肿瘤病灶分割是不可或缺的一部分。肺癌肿瘤分割指的是通过对肺部CT图像的预处理、背景分割等步骤,实现对肺癌病灶部分的分割。它是通过数字影像学、医学图像处理等方法,结合高性能计算机的分析计算,精准定位,辅助临床医生发现疑似病灶,并且将疑似的病变组织从正常的解剖背景中分离出来。该方法通过减少医生的主观性的判断,避免医生因自身医学知识和临床经验差异造成的偶然误差,在提高工作效率的同时,提高诊断的准确率。本文在对近5年国内外对图像分割算法研究的现状进行对比总结后,提出针对肺部肿瘤CT图像分割问题的解决办法。同时利用大量的浙江某肿瘤医院肺癌病人的CT图像,搭建了基于卷积神经网络结构的肺部肿瘤分割模型。本文对于肺部肿瘤图像分割问题主要研究工作包括以下几个方面:1.对目前医学影像技术、人工智能的发展情况,以及本文研究背景、意义、国内外研究现状等作了综述型分析。2.详细介绍了目前国内外常用的图像分割算法、医学图像分割算法和卷积神经网络图像分割算法,对比这些算法在实际案例中的... 

【文章来源】：浙江师范大学浙江省

【文章页数】：53 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第1章 绪论
    1.1 课题研究背景及意义
        1.1.1 课题研究背景
        1.1.2 课题研究意义
    1.2 研究现状
    1.3 本文组织结构
    1.4 本章小结
第2章 传统图像分割方法与深度学习图像分割方法比较
    2.1 绪论
    2.2 传统图像分割方法
        2.2.1 基于阈值的图像分割方法
        2.2.2 基于边缘检测的图像分割方法
        2.2.3 基于区域的图像分割方法
        2.2.4 基于图论的分割方法
    2.3 基于卷积神经网络的图像分割算法
    2.4 基于全卷积神经网络的图像分割算法
    2.5 本章小结
第3章 U-Net神经网络算法及其在肺部肿瘤图像分割中的应用
    3.1 绪论
    3.2 U-net网络的理论基础
        3.2.1 U-net神经网络的结构
        3.2.2 U-net神经网络中的参数
    3.3 U-Net神经网络的实现
    3.4 U-Net神经网络调优
        3.4.1 U-net神经网络激活函数
        3.4.2 超参数调优
    3.5 实验结果与分析
        3.5.1 数据来源
        3.5.2 实验结果
    3.6 本章小结
第4章 W-net神经网络算法及其在肺部肿瘤图像分割中的应用
    4.1 绪论
    4.2 W-net网络的理论基础
    4.3 W-Net网络算法实现
    4.4 实验结果分析
    4.5 本章小结
        4.5.1 W-net网络的优势
        4.5.2 W-net网络的缺陷与不足
第5章 总结与展望
    5.1 总结
    5.2 后续工作及展望
参考文献
攻读学位期间取得的研究成果
致谢


【参考文献】：
期刊论文
[1]基于U-Net网络的肺部CT图像分割算法[J]. 袁甜,程红阳,陈云虹,张海荣,王文军.  自动化与仪器仪表. 2017(06)
[2]分子影像学中图像分割技术方法研究[J]. 安玉林,关建中.  医疗卫生装备. 2008(11)

硕士论文
[1]基于卷积神经网络的肺结节自动检测深度学习模型[D]. 肖小娇.太原理工大学 2017
[2]基于Caffe深度学习框架的卷积神经网络研究[D]. 杨楠.河北师范大学 2016
[3]基于卷积神经网络的图像语义分割[D]. 陈鸿翔.浙江大学 2016
[4]基于CNN的字符识别方法研究[D]. 王强.天津师范大学 2014
[5]卷积神经网络在图像识别上的应用的研究[D]. 许可.浙江大学 2012
[6]基于ROI多图谱配准的海马磁共振图像分割[D]. 陈雯艳.湖南大学 2012
[7]机器视觉中边缘检测算法的研究[D]. 马亚洲.重庆理工大学 2010



本文编号：3189550