基于结构化学习的医学影像理解

发布时间：2024-03-30 23:13

　　在临床上,专业医生一般通过主观观察来对医学影像进行评估。这种评估依赖经验积累,存在个体差异。与这种定性推理相比,人工智能擅长在数据中识别复杂的模式,并以自动化方式提供定量评估。将图像理解引入医学领域,为医疗影像生成语义标注及描述是一项非常有意义的研究工作。本文以乳腺钼靶影像作为研究对象,将结构化学习的方法应用于影像理解中。通过对病变区域检出、标签生成、语义映射模型构建的研究,实现了乳腺钼靶影像报告的结构化输出。本文的主要工作有:(1)针对获取人工标注的困难,提出了一种基于无监督学习的自动病灶检出算法。该算法基于K-means聚类,对像素点进行特征设计并聚类,初步筛选出病变区域后进一步提取区域的形态学及纹理特征,使用支持向量机(Support Vector Machine,SVM)进行后处理筛选,最终得到目标感兴趣区域(Region Of Interest,ROI)。(2)为减少多标签分类任务中候选区(Proposal Region)的生成数量,并提高模型对影像的视觉特征抽取能力,提出了一种基于感兴趣区域裁剪池化(ROI Crop Pooling,RCP)的特征提取网络,配合多标签分类(...

【文章页数】：60 页

【学位级别】：硕士

【部分图文】：

图2-1基于候选区的图像多标签分类框架图

图2-1基于候选区的图像多标签分类框架图像在经过候选区生成方法后会得到一系列图像的局部区域神经网后会在所有类别标签上产生一个概率分布。经由逐到图像全局的标签预测结果。进的候选区选择方法，虽然一定程度上减少了候选区的数不是精确的目标区域，它们与目标区域往往会发生重叠，这可能会损....

图3-4连通区域取值图

究生学位论文3基于K-means的乳腺钼靶影征像中，病灶往往表现出比正常组织更高的灰度值，在织区域。本文提取的像素特征是像素的领域灰度均值及3×3区域两条对角线的灰度均值。另外，本文使较高的影像(3328×4048,2560×3328)，为使像素特域，所以还提取了....

本文编号：3943082