基于深度学习的锥形束CT图像质量自动评价的关键技术研究

发布时间：2022-07-07 12:13

　　影像引导放射治疗技术（Image-Guided Radiotherapy Technique,IGRT）是目前精准放疗中最重要的手段,用于初步定位和放疗摆位,提供位置信息用于病灶精准定位和肿瘤照射,在放射治疗中广泛应用。IGRT依赖锥形束计算机断层摄影术（Cone-Beam Computed Tomography,CBCT）系统质量去验证治疗床的定位和放射治疗的监测,直接影响影像引导放疗过程的准确性。CBCT图像质量受到多种因素的影响,其质量评价指标是指CT值线性、空间分辨力、低对比度分辨力和均匀性,利用Catphan 504模体完成四种指标的自动评价关键技术是对模体中CTP404模块各个插件的自动定位。实现自动定位的前提是分割出各个插件,分割技术主要是传统的方法和机器学习的方法。CTP404模块有多个密度不同的插件,且在轴向切片图像中插件像素数占总的图像像素数的8%（图像大小为512×512）,考虑到分割目标是多类,且对分割精度有一定的要求,将结合深度学习和传统分割方法。本文主要研究内容为:（1）探讨了U-Net模型结构以及基于U-Net的改进模型。U-Net模型虽然实现了多目标的分... 

【文章页数】：63 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 研究背景与意义
    1.2 国内外相关研究现状
    1.3 论文的主要工作
    1.4 论文的结构安排
第二章 锥形束CT图像质量评价方法
    2.1 锥形束CT图像质量的影响因素
    2.2 锥形束CT图像质量评价指标
        2.2.1 CT值线性
        2.2.2 空间分辨力
        2.2.3 低对比度分辨力
        2.2.4 均匀性与噪声
    2.3 CBCT图像质量评价方法
    2.4 图像采集方法
    2.5 本章小结
第三章 基于U-Net的医学图像分割网络模型研究
    3.1 引言
    3.2 U-Net模型
    3.3 基于U-Net的残差网络
        3.3.1 相关工作
        3.3.2 深度残差学习
        3.3.3 基于U-Net的残差网络
    3.4 基于U-Net的循环卷积神经网络
        3.4.1 循环神经网络发展简介
        3.4.2 循环卷积层
        3.4.3 基于U-Net的循环卷积神经网络
    3.5 基于U-Net的循环残差卷积神经网络
    3.6 本章小结
第四章 实验及结果分析
    4.1 实验数据与实验环境
        4.1.1 图像数据
        4.1.2 标签数据
        4.1.3 环境配置
    4.2 实验方法
    4.3 实验训练方法与评估
        4.3.1 训练方法
        4.3.2 评估方法
    4.4 实验结果分析
    4.5 本章小结
第五章 总结与展望
    5.1 全文总结
    5.2 未来展望
参考文献
致谢
攻读学位期间的研究成果


【参考文献】：
期刊论文
[1]利用深度反卷积神经网络自动勾画放疗危及器官[J]. 门阔,戴建荣.  中国医学物理学杂志. 2018(03)
[2]图像引导放射治疗的应用和展望[J]. 谢志原,吴君心.  肿瘤学杂志. 2013(04)
[3]基于FDK算法的数字合成X线体层成像[J]. 冯亚崇,周凌宏,甄鑫,卢文婷.  中国医学物理学杂志. 2011(02)
[4]用通用显卡加速三维锥束T-FDK重建算法[J]. 戴智晟,陈志强,邢宇翔,张丽,毕文元.  清华大学学报(自然科学版). 2006(09)

博士论文
[1]锥形束CT图像的散射校正[D]. 王玉.中国科学技术大学 2015

硕士论文
[1]图像引导的体外自适应放疗在宫颈癌治疗中的应用研究[D]. 张宁.安徽医科大学 2015



本文编号：3656398