基于深度特征的腹部CT影像肝脏占位性病变辅助诊断研究
发布时间：2021-04-02 11:04
在临床诊断中,活组织切片检查（活检）是肝脏占位性病变确诊的最有效的检查方法,然而活检作为一种侵入性检查,难免会给患者带来身体和身心上的伤害,同时易产生并发症。医学成像技术的快速发展为肝脏占位性病变的鉴别提供了新的手段,医生可以从影像中观察病变的征象,并进行分析和诊断。目前用于肝脏占位性病变检查的医学影像技术十分依赖操作者的经验与技术,而且往往还存在主观性强、重复性低、劳动强度大、效率低下等缺点,因此肝脏占位性病变自动辅助检测理论与技术在临床应用中有着极其重要的理论与现实意义。本文在总结国内外研究成果的基础上,以肝脏CT影像为主要研究对象,利用卷积神经网络对低质量腹部影像增强重建、肝脏区域检测、肝脏分割、病变区域检测与病变类型诊断等关键技术进行研究,阐明深度学习算法的多层网络机制和数学模型,揭示医学影像内部本质特征,最终提升肝脏占位性病变自动辅助诊断精度。本文的主要工作总结如下:（1）低质量的CT影像将严重影响目标检测、分割、特征提取、病灶识别等后续影像分析应用。CT扫描能够获取患者体内解剖结构,广泛地应用于临床检查与疾病诊断,但CT影像的重建质量与曝光时间或成像速度密切相关。如何改善C...
【文章来源】：中国矿业大学江苏省 211工程院校 教育部直属院校
【文章页数】：149 页
【学位级别】：博士
【部分图文】：
CT肝脏及其占位性病变区域影像对比
1绪论17医学影像内不同目标之间相互作用的影像上下文信息对影像语义特征的提取起着至关重要的作用。为了实现基于语义特征的肝脏疾病诊断，必须解决对于影像内容的语义信息的适当描述及充分利用该语义信息的问题。因此，如何在深度学习框架下合理地描述影像语义特征，是提升诊断检测的精度，增强模型泛化能力所面对的重要科学问题。图1-2本文的总体研究方案Figure1-2OverallResearchSchemesforOurthesis1.4.2具体研究内容本文主要是以卷积神经网络为基础，对腹部医学影像进行增强、肝脏检测、分割、诊断识别等关键技术进行研究，建立一个鲁棒、客观、可重复、高效和高准确率的肝脏肿瘤医学影像检测平台，为患者和临床医生带来更好的治疗体验，其具体研究内容如下：（1）CT扫描能够获取患者体内解剖结构，广泛地应用于临床检查与疾病诊断，但其CT影像的重建质量与X射线辐射剂量、重构算法、成像设备密切相关。如何改善CT影像质量一直都是图像增强领域的研究热点。现有基于深度网络的图像增强算法直接学习退化图像与清晰图像之间的映射函数，忽略了观测模型保真项的约束。若能提出一种用于低质量CT图像的改进神经网络图像增强算法，通过将图像增强任务嵌入到一个深度网络中，该网络由多个残差增强模块和反投影模块交错而成，可以实现观测模型保真项一致性约束。该部分的研究工作录用和发表在SCI期刊《JournalofMedicalImagingandHealthInformatics》上。
博士学位论文20强后的影像序列中直接检测肝脏区域，缩小感兴趣区域的范围，可以增强后续分割与识别的精度；第四章是深度语义肝脏占位性诊断系统的肝脏分割模块，可以从获得的肝脏检测定位区域入手，分割出完整的肝脏区域，是后续语义分割与诊断的关键；第五章是深度语义肝脏占位性诊断系统的语义分割及肿瘤分类模块，是整个系统的核心，该模型能够在完整的肝脏区域分割出内部占位性病灶区域，并利用小波核空间的LSSVM向量机最终实现占位性病变的诊断。最后，第六章是对本文的研究内容进行总结和展望。图1-3各章节内容关系图Figure1-3RelationshipDiagramofEachChapter
【参考文献】：
期刊论文
[1]融合颜色显著性和似物性的显著物体检测[J]. 黄炜亮,段先华,徐丹,张明,於跃成,黄树成. 江苏科技大学学报(自然科学版). 2019(04)
[2]视见科技:将“AI+医学影像”的技术优势发挥到极致[J]. 尹佳林. 科技与金融. 2018(07)
[3]基于深度卷积神经网络的低剂量CT肺部去噪[J]. 吕晓琪,吴凉,谷宇,张明,李菁. 电子与信息学报. 2018(06)
[4]人工智能糖网眼底图像识别在真实世界的应用[J]. 黄潇,谷硕,马晓晔,梁文君,张韵,高连娣,魏锐利. 情报工程. 2018(01)
[5]基于两层策略的SAR图像局部不变特征点的匹配方法[J]. 赵爱罡,范小虎,赵乾,王建永,葛春. 电光与控制. 2019(01)
[6]改进Chan-Vese模型的肝癌消融CT图像肿块分割方法[J]. 谢志南,郑东,陈嘉耀,洪国斌. 激光与光电子学进展. 2017(02)
[7]基于图割和水平集的肾脏医学图像分割[J]. 时永刚,谭继双,刘志文. 计算机科学. 2016(07)
[8]基于DRLSE方法的全自动CT图像脂肪肝诊断系统[J]. 王家坤,孙建军,高凤连,帅海涛,黄联芬,黄悦. 厦门大学学报(自然科学版). 2014(06)
[9]基于人工神经网络的慢性肾病分级辅助诊断专家系统设计[J]. 冯娇娇,吴效明. 中国医学物理学杂志. 2014(01)
[10]基于能量最小化的肾脏计算断层扫描图像分割方法[J]. 张品,梁艳梅,常胜江,范海伦. 物理学报. 2013(20)
博士论文
[1]基于机器学习的医学影像分割关键问题研究及其在肿瘤诊疗中的应用[D]. 秦文健.中国科学院大学(中国科学院深圳先进技术研究院) 2019
硕士论文
[1]基于深度学习的肝脏CT影像分割方法的研究与应用[D]. 马树志.吉林大学 2017
本文编号：3115159
【文章来源】：中国矿业大学江苏省 211工程院校 教育部直属院校
【文章页数】：149 页
【学位级别】：博士
【部分图文】：
CT肝脏及其占位性病变区域影像对比
1绪论17医学影像内不同目标之间相互作用的影像上下文信息对影像语义特征的提取起着至关重要的作用。为了实现基于语义特征的肝脏疾病诊断，必须解决对于影像内容的语义信息的适当描述及充分利用该语义信息的问题。因此，如何在深度学习框架下合理地描述影像语义特征，是提升诊断检测的精度，增强模型泛化能力所面对的重要科学问题。图1-2本文的总体研究方案Figure1-2OverallResearchSchemesforOurthesis1.4.2具体研究内容本文主要是以卷积神经网络为基础，对腹部医学影像进行增强、肝脏检测、分割、诊断识别等关键技术进行研究，建立一个鲁棒、客观、可重复、高效和高准确率的肝脏肿瘤医学影像检测平台，为患者和临床医生带来更好的治疗体验，其具体研究内容如下：（1）CT扫描能够获取患者体内解剖结构，广泛地应用于临床检查与疾病诊断，但其CT影像的重建质量与X射线辐射剂量、重构算法、成像设备密切相关。如何改善CT影像质量一直都是图像增强领域的研究热点。现有基于深度网络的图像增强算法直接学习退化图像与清晰图像之间的映射函数，忽略了观测模型保真项的约束。若能提出一种用于低质量CT图像的改进神经网络图像增强算法，通过将图像增强任务嵌入到一个深度网络中，该网络由多个残差增强模块和反投影模块交错而成，可以实现观测模型保真项一致性约束。该部分的研究工作录用和发表在SCI期刊《JournalofMedicalImagingandHealthInformatics》上。
博士学位论文20强后的影像序列中直接检测肝脏区域，缩小感兴趣区域的范围，可以增强后续分割与识别的精度；第四章是深度语义肝脏占位性诊断系统的肝脏分割模块，可以从获得的肝脏检测定位区域入手，分割出完整的肝脏区域，是后续语义分割与诊断的关键；第五章是深度语义肝脏占位性诊断系统的语义分割及肿瘤分类模块，是整个系统的核心，该模型能够在完整的肝脏区域分割出内部占位性病灶区域，并利用小波核空间的LSSVM向量机最终实现占位性病变的诊断。最后，第六章是对本文的研究内容进行总结和展望。图1-3各章节内容关系图Figure1-3RelationshipDiagramofEachChapter
【参考文献】：
期刊论文
[1]融合颜色显著性和似物性的显著物体检测[J]. 黄炜亮,段先华,徐丹,张明,於跃成,黄树成. 江苏科技大学学报(自然科学版). 2019(04)
[2]视见科技:将“AI+医学影像”的技术优势发挥到极致[J]. 尹佳林. 科技与金融. 2018(07)
[3]基于深度卷积神经网络的低剂量CT肺部去噪[J]. 吕晓琪,吴凉,谷宇,张明,李菁. 电子与信息学报. 2018(06)
[4]人工智能糖网眼底图像识别在真实世界的应用[J]. 黄潇,谷硕,马晓晔,梁文君,张韵,高连娣,魏锐利. 情报工程. 2018(01)
[5]基于两层策略的SAR图像局部不变特征点的匹配方法[J]. 赵爱罡,范小虎,赵乾,王建永,葛春. 电光与控制. 2019(01)
[6]改进Chan-Vese模型的肝癌消融CT图像肿块分割方法[J]. 谢志南,郑东,陈嘉耀,洪国斌. 激光与光电子学进展. 2017(02)
[7]基于图割和水平集的肾脏医学图像分割[J]. 时永刚,谭继双,刘志文. 计算机科学. 2016(07)
[8]基于DRLSE方法的全自动CT图像脂肪肝诊断系统[J]. 王家坤,孙建军,高凤连,帅海涛,黄联芬,黄悦. 厦门大学学报(自然科学版). 2014(06)
[9]基于人工神经网络的慢性肾病分级辅助诊断专家系统设计[J]. 冯娇娇,吴效明. 中国医学物理学杂志. 2014(01)
[10]基于能量最小化的肾脏计算断层扫描图像分割方法[J]. 张品,梁艳梅,常胜江,范海伦. 物理学报. 2013(20)
博士论文
[1]基于机器学习的医学影像分割关键问题研究及其在肿瘤诊疗中的应用[D]. 秦文健.中国科学院大学(中国科学院深圳先进技术研究院) 2019
硕士论文
[1]基于深度学习的肝脏CT影像分割方法的研究与应用[D]. 马树志.吉林大学 2017
本文编号：3115159
本文链接：https://www.wllwen.com/shoufeilunwen/xxkjbs/3115159.html
