腹部器官与病变识别的深度学习方法研究

发布时间：2020-12-19 19:51

　　随着人工智能技术的快速发展,深度学习在计算机视觉、自然语言处理等领域表现优异。各种“人工智能+”的应用开始落地,其中,人工智能在医学领域的研究具有重要的现实意义,通过深度学习对复杂的医学图像进行处理,辅助临床医生完成重复度较高的工作,在减轻医生工作负担的同时也为患者带来更好的就诊体验。本文从实际的临床医学问题出发,针对腹部前列腺放射治疗和结直肠镜检查过程中存在的现实问题,提出相应的腹部器官与病变识别的深度学习方法,辅助医生高效准确的完成临床诊断任务并及时调整治疗方案。（1）提出了一种基于自动分割和骨盆对齐的前列腺图像配准方法,用来解决多模态前列腺图像配准过程中参考点难选取,配准形变大的问题。该方法首先分割出前列腺MRI图像和CT图像中的感兴趣区域,然后利用感兴趣区域中前列腺器官和周围骨盆的相对位置信息作为先验约束,骨盆的刚性解剖结构作为参考基准,进行基于最大互信息的粗配准,然后针对多模态图像中前列腺器官存在形变的特点,利用Demons方法对粗配准结果进行微调。该方法能在小形变条件下获得更精确的配准结果。（2）提出了一种基于SPVGG的结直肠镜图像分类方法,用来解决结直肠镜检查过程中,息... 

【文章来源】：西安电子科技大学陕西省 211工程院校 教育部直属院校

【文章页数】：87 页

【学位级别】：硕士

【部分图文】：

前列腺放射治疗靶区示意图

23*23*52623*23*15223*23*152图3.3 U-net 网络结构图[57]换像和参考图像，我们定义一个统一的坐标系统，设置水平向为 y 轴正方向，其中xT ，yT ， β 是刚性变换参数，β 为的变换矩阵。[ ]' '1 0 01 = y+ 1 1 0 1 01x yx yx y x T T x yT T + = xT ，yT 为平移参数。

U-net 分割分割图3.4 基于自动分割和骨盆对齐的前列腺图像配准方法流程图3.6 实验结果与分析3.6.1 实验环境条件本章实验网络架构在 Matlab2016a，Python3.6.0，Tensorflow-gpu 1.7.0，keras 2.1.3，SimpleITK 0.8.1 环境下完成，Nvidia Titan X Pascal GPU(1080 Titan)和 Cudnn v9.0 配合实验环境提升训练速度。3.6.2 数据预处理本章方法中，使用一个真实的临床数据集来训练和测试分割网络。该数据集包含9 例患者，每位患者的 CT 和 MRI 图像分辨率不同。9 例患者的 CT 图像采用不同的扫描参数：切片层厚分别为：0.5

【参考文献】：
期刊论文
[1]引入局部全局信息的区域自适应局域化快速活动轮廓模型[J]. 廖祥云,袁志勇,郑奇,童倩倩,赖虔葑,张贵安.  计算机学报. 2016(07)
[2]基于形态学方法的胃癌病理细胞图像的边缘检测[J]. 李天钢,王素品.  中国图象图形学报. 2004(10)



本文编号：2926476