医疗图像的目标检测与分割研究

发布时间：2021-08-20 09:56

　　随着医学成像技术的发展,医学图像已成为医生诊断疾病的重要手段,因此,为了减轻医生的负担并降低疾病的诊断难度,对图像的自动处理和分析具有非常重要的意义。传统的医学图像处理算法严重依赖于人工设计的特征,而这类特征的设计比较复杂,加上模型的泛化能力比较差,无法适应实际应用中由于成像条件和个体原因导致的图像间差异很大的情况。近年来,随着深度学习在计算机视觉、语音处理等领域取得的突破性的进展,越来越多的研究者开始将深度学习应用于医学图像的检测、分割、诊断等任务中。本文采用深度学习的算法实现医学图像中对目标的自动检测和分割的任务。本文的主要工作及创新点如下:首先,针对眼底图像中视盘检测的任务,设计了一个端到端的卷积神经网络模型。利用经过对应数据训练得到的模型对测试图像进行检测,得到包含视盘位置的概率图,之后加上阈值处理和计算重心的方式实现视盘最终的检测。从模型评估的结果中可以看出,本文设计的网络能够对各种类型的视网膜眼底图像实现对视盘快速、准确地检测,且在不同的数据集上具有很好的泛化性能,相比于同类算法有更好的效果。其次,对于眼底图像血管分割的任务,本文介绍了一种基于条件生成对抗网络的血管分割算法... 

【文章来源】：南京航空航天大学江苏省 211工程院校

【文章页数】：68 页

【学位级别】：硕士

【部分图文】：

神经元模型

感知机模型

图 2.3 多尺度采样结构的 FCNsU-Net 是目前图像分割领域中广泛应用的一个网络，可以看作是 FCNs 的一种改进，目前大量的分割网络都是基于 U-Net 的改进。前面已经提到，FCNs 最大的缺点在于网络得到的结果比较粗糙，这一问题很大一部分是因为解码器的结构过于简单即只有一个上采样层。U-Net 设计了一个与编码器结构对称的解码器，编码器产生的每一个特征图拼接到解码器上对应的层上。

【参考文献】：
期刊论文
[1]基于图像片马尔科夫随机场的脑MR图像分割算法[J]. 宋艳涛,纪则轩,孙权森.  自动化学报. 2014(08)
[2]基于投影的视网膜眼底图像视盘检测方法[J]. 张东波,易瑶,赵圆圆.  中国生物医学工程学报. 2013(04)



本文编号：3353289