基于深度学习的医学图像增强算法的研究

发布时间：2023-08-26 01:39

　　近年来,随着硬件算力水平的不断提升以及深度学习算法的不断普及,数字医学图像处理技术获得飞速发展,计算机辅助诊断(CAD)日趋成熟,在一些疾病领域的诊断准确率已经达到甚至超过了专业放射科医生的水平。随着技术的快速发展,CAD系统可以持久、高效地进行工作,将医生从大量重复的劳动中解放出来。但目前CAD通过自身算法优化提升性能在许多任务上遇到瓶颈,本文提出通过图像增强算法的研究在输入层面突破瓶颈。由于自然图像现有的评价指标如PSNR、SSIM均存在一些局限性导致不能够很全面地评价医学图像处理算法的优劣,本文引入CAD系统代替医生为算法提供主观评价指标,且这种语义层的评价指标可以突破传统方法的限制,开拓新的医学图像增强算法。本文以CT灌注(CT Perfusion,CTP)模态高维医学图像分割任务以及CT模态图像检测任务为切入点,研究如何通过有效的医学图像增强算法进一步提升CAD系统的性能。本文的研究内容如下:第一,针对CTP模态高维数据,本文充分利用模态转换思想,结合提出的高维图像时间降维方法,将高维图像分割难问题解耦为基于时间降维和模态转换的图像增强以及分割两个任务,大大降低了CAD系统学...

【文章页数】：77 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第1章 绪论
    1.1 研究背景与意义
    1.2 国内外研究现状
        1.2.1 医学图像增强技术的研究现状
        1.2.2 医学图像处理技术的发展
    1.3 研究内容
    1.4 论文结构
第2章 相关理论技术综述
    2.1 深度学习
        2.1.1 卷积神经网络概述
        2.1.2 对抗生成网络(GAN)
        2.1.3 基于深度学习的计算机视觉任务
    2.2 模态转换技术
    2.3 超分辨率重建
    2.4 注意力机制
    2.5 计算机辅助诊断系统
    2.6 本章小结
第3章 基于时间降维和模态转换的CTP图像增强算法
    3.1 CTP-DWI的模态转换
        3.1.1 基于CNN的模态转换
        3.1.2 基于GAN的模态转换
    3.2 基于CNN的时间降维
    3.3 基于SegMaxOut层的假阳抑制模块
    3.4 基于平衡阴阳区域训练梯度比的分割损失函数
    3.5 实验结果与分析
        3.5.1 ISLES2018 数据集
        3.5.2 实验设置
        3.5.3 CAD系统评价指标
        3.5.4 结果与分析
    3.6 本章小结
第4章 基于DenseSRNet和阴阳采样平衡的CT图像增强算法
    4.1 基于阴阳采样平衡的医学图像超分辨率训练方法
    4.2 基于3D CNN的 DenseSRNet模型
        4.2.1 浅层特征提取层
        4.2.2 高频特征提取模块
        4.2.3 重建层
        4.2.4 损失函数
    4.3 基于3D注意力机制的DenseASRNet模型
        4.3.1 特征域的注意力机制
        4.3.2 空间域的注意力机制
    4.4 实验结果与分析
        4.4.1 LUNA数据集
        4.4.2 实验设置
        4.4.3 CAD系统评价指标
        4.4.4 结果与分析
    4.5 本章小结
结论
参考文献
攻读硕士学位期间取得的研究成果
致谢



本文编号：3843701