基于深度学习的CT图像肺气管树分叉点的检测

发布时间：2021-11-15 00:34

　　人体肺部CT图像中肺气管树的分级对于辅助肺部疾病诊断有着非常重要的临床研究意义,而肺气管树关键分叉点的检测是肺气管树分级中的关键步骤。利用深度学习方法直接检测肺气管树的关键分叉点对肺气管树的分级具有研究意义,并对之后的辅助诊断肺部疾病具有非常重要的实际意义。针对人体肺部CT图像中肺气管树不同分叉点的检测难度不同,结合肺气管树的三维结构特点在残差网络ResNet基础上设计了一种适合肺气管树关键分叉点检测的并行残差网络模型Multiple-ResNet。Multiple-ResNet采用三个子网络F,L2,R3进行组合。网络F采用改进的三维ResNet50结构提取全局特征检测四个关键分叉点;网络L2和R3采用改进的三维ResNet34结构提取局部特征检测局部关键分叉点,对网络F的预测结果进行修正,提高四个分叉点的检测准确性。对LUNA16数据集中400个肺部CT图像进行手工标记肺气管树分叉点从而获得肺气管树分叉点数据集。考虑不同肺部CT图像中肺气管树位置,结构大小存在差异,提出了针对人体肺部CT图像中肺气管树分叉点检测的数据预处理方法。该预处理方法是根据对原始肺部CT图像提取的肺mask,... 

【文章来源】：华中科技大学湖北省 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

【部分图文】：

人体肺部CT图像及肺气管三维结构

3图 1-2 基于肺叶的肺气管树的分级标记效果图UL、RML、RLL、LUL、LLL 分别表示的、左上肺叶和左下肺叶；RPB、RMB、LPB 分主支气管。 图像进行肺气管树分割是肺气管树分级算法树准确分级的前提。然而在肺部 CT 成像过部分容积效应，成像角度等。肺气管成像的目前国内外肺气管树分割算法主要包含基于基于机器学习[17]等方法。彭双等人设计了一分割算法[18]。该算法的基本流程是首先结合；之后使用改进迟滞阈值区域生长的方法预

图 1-3 肺气管树骨架化效果图到肺气管树骨架的方法中的哪一种，都是要树中的每一个体素点进行计算或判断筛选等对计算方法以及筛选条件进行准确的设定，。这就使得骨架化算法具有很高的算法复杂高，这制约了该方法的实用性。基于距离场定义的距离值，计算量很大。该方法不能保能保证提取的骨架是单像素宽的。这就使得不够准确。拓扑细化方法中最重要的是对简单或者筛选规则会使得得到的最终模型骨架的杂度，并且对噪声是比较敏感的。如果细化目果中就会产生很多多余的毛刺。而这些毛刺

【参考文献】：
期刊论文
[1]影响多层螺旋CT图像质量的因素及控制措施[J]. 胡方成.  医疗装备. 2017(12)
[2]结合区域生长与灰度重建的CT图像肺气管树分割[J]. 彭双,肖昌炎.  中国图象图形学报. 2014(09)
[3]形态膨胀的3D区域生长气管分割算法[J]. 王雷,高欣,张桂芝.  生物医学工程学杂志. 2013(04)
[4]基于CT图像的肺气管树3D分割方法的研究[J]. 李翠芳,任彦华,王远军,聂生东.  中国医学物理学杂志. 2011(05)

博士论文
[1]基于CT体数据的人体肺气道树数学模型建立[D]. 赖凯.中国科学技术大学 2010

硕士论文
[1]基于CT影像的肺气管三维重构方法研究[D]. 赵兴.重庆大学 2017
[2]高精度肺部气道树的分割及骨架中心线的提取[D]. 王昌.中国科学技术大学 2010



本文编号：3495667