基于级联Vnet-S网络的CT影像器官分割算法研究

发布时间：2020-11-03 08:45

　　 计算机断层扫描(Computed Tomography,CT)被广泛用于临床诊断,是获取人体内部信息的重要手段。随着计算机技术和人工智能的快速发展,计算机辅助诊断(computer aided diagnosis,CAD)系统可以对CT影像进行自动化处理,为医生提供诊断依据,从而提高医生工作效率。在计算机辅助诊断系统中,器官分割技术是必不可少的。器官分割技术是对病人的器官进行定性和定量化分析的前提,是医生进行诊断并制定治疗计划的重要辅助手段。在介入消融、图像引导手术和磁感应热疗等技术中,器官分割技术都是必不可少的。器官分割技术主要应用在处理CT影像数据,但是要实现对CT影像中的器官进行快速准确地分割是一个艰巨的任务。因为CT影像比较复杂,不仅缺少简单的线性特征,还有灰度不均匀、存在伪影、不同组织间灰度相似等问题。同时CT影像作为三维图像,数据量大,器官分割算法容易出现计算量过大的问题。这两点原因增加了算法的设计难度。针对在CT影像中器官的快速准确分割问题,首先提出了新型三维全卷积神经网络Vnet-S网络。然后在Vnet-S网络的基础上提出基于级联Vnet-S网络的器官分割算法。基于级联Vnet-S网络的器官分割算法具有高准确度和低计算量的特点。再采用Flask框架对器官分割算法进行了部署。最后基于VTK和ITK设计并实现了医学影像可视化系统。具体而言,本文在器官分割算法和系统部署方面完成了以下工作:(1)提出新型三维全卷积神经网络Vnet-S网络。Vnet-S网络是在Vnet网络结构的基础上提出的三维全卷积神经网络。优化了Vnet网络结构存在的问题。通过对比实验证明Vnet-S网络性能优于Vnet网络,同时参数量和计算量也远小于Vnet网络,Vnet-S网络的参数量是Vnet网络的15.58%,计算量是Vnet网络的21.41%。(2)提出新型器官分割算法。以新型三维全卷积神经网络Vnet-S网络为基础,采用级联网络结构,提出基于级联Vnet-S网络的器官分割算法。该算法由两个Vnet-S网络级联而成,第一个Vnet-S网络用于器官定位,第二个Vnet-S网络用于器官分割。在肝脏分割实验和肺分割实验中,该算法分别取得了0.9600和0.9810的Dice系数,证明该算法可以对肝脏和肺快速准确分割。并通过和其他器官分割算法进行了对比,证明了算法的高准确度和低计算量的特点。(3)基于Flask框架部署器官分割算法。利用Flask框架,将器官分割算法部署在服务器端,从而为前端可视化系统提供器官分割算法服务。通过系统测试,该系统可以快速对CT影像完成器官分割。(4)设计并实现医学影像可视化系统。基于VTK和ITK设计并实现医学影像可视化系统,该系统具备图像显示功能,图像融合功能,测量功能等。相比旧版可视化系统,该系统增加了新的可视化模式,多种界面布局和功能,同时系统运行占用更少的内存。
【学位单位】：中国科学院大学(中国科学院上海技术物理研究所)
【学位级别】：硕士
【学位年份】：2019
【中图分类】：TP391.41;R816
【部分图文】：

图 2.5 原图像和标注Figure 2.5 Original image and annotation是用来估量模型的衡量预测值与真实值的差函数，损失函数越小，模型的鲁棒性就越用的损失函数有以下两种：叉熵损失函数：描述的是两个概率分布之间越小表示概率分布越接近。对于两个概率分表示 p 的交叉熵为( ) ( ) ( )xH p,q P x log q xe 损失函数：描述的是图像分割结果中预测间的重合程度。公式如下：N

图 4.4 器官分割系统启动Figure 4.4 Organ segmentation system activated再将数据保存地址和目标存储地址包装为请求发送到 Flask 端，如图 4.5 所示，这里采用了 python 脚本来发送请求。图 4.5 发送请求Figure 4.5 Sending the request在目标地址里，100例图像数据的分割结果都已保存。抽取一例分割结果进行可视化，如图 4.6 所示。

下面三个窗口对第二个系列图像进行 MPR 显示5.3.3 工作界面普通显示模式的初始化界面如图5.4所示，融合显示模式的初始化界面如图5.5 所示。界面上方的按钮为显示模式切换按钮，功能选择按钮和布局切换按钮。在每个子窗口可以切换显示模式，例如在图 5.4 中，第四个子窗口进行了MIP 显示，在每个子窗口内可以对图像进行交互式操作，例如移动切割线，相应的切割结果会显示在其他两个方向的视图中。在融合显示模式中，可以对两个系列的图像进行融合显示，在图5.5中
【相似文献】

相关硕士学位论文 前1条

1 徐宝泉;基于级联Vnet-S网络的CT影像器官分割算法研究[D];中国科学院大学(中国科学院上海技术物理研究所);2019年

本文编号：2868353