基于牙齿CT图像数据的分割研究

发布时间：2021-03-11 06:58

　　随着当今社会的发展,医用技术在人们生活日常诊疗中愈发重要,CT图像、MRI图像的数量也不断增加,单靠人力来进行医学图像的分割识别已经难以满足现今需求,因此,利用计算机技术来进行自动分割受到研究人员的广泛关注。本文以牙齿CT图像为切入点进行研究,研究的内容包括水平集算法与神经网络相结合的半自动标注分割技术,三维卷积神经网络分割技术,最终设计并实现了一个医学图像牙齿CT算法分割平台。目前,神经网络技术应用广泛,其有效性也得到广泛承认,但是神经网络训练模型时所使用的训练集数量庞大,医学图像难以提供足够有效样本,且人工标注存在耗时过于严重的问题,容易造成数据过拟合问题导致模型无法应用于训练集外的图像,这也是目前医学图像领域深度学习发展远不如其它图像处理的主要原因。本文利用水平集算法,结合曲线演化理论,使得初始化曲线收敛于图像边界,并输出图像边界作为标记,实现半自动标注,用以神经网络的训练,最终通过训练的网络模型完成分割;针对医学图像在训练中难以定位的问题,提出了基于卷积的三维分割网络,网络使用CT图像序列集之间的距离数据构建第三维度信息,实现医学图像在三维空间中的分割;为解决神经网络算法之间不... 

【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校

【文章页数】：81 页

【学位级别】：硕士

【部分图文】：

牙齿分割算法结构流程

第二章相关理论基础92.2二维分割算法2.2.1水平集算法水平集算法最开始主要用于描述类似火焰的边界等具有高动态和高拓扑的结构变化，最近十几年得到广泛的推广与应用。其核心思想是通过高维函数曲面来表达低维的曲线或曲面，并通过求解水平集函数的方程来捕捉运动边界，简单的说来，水平集算法将低维的一些计算上升到更高一维，把N维的描述看成是N＋1维的一个水平，如图2-2所示，展示了水平集算法的演化过程。算法优势：第一，高维时的拓扑变化能简单的获取到，不存在太多断点；第二，高维演化不需要时时的进行参数化；第三，高维的计算更精确，更具有健壮性；第四，水平集算法可以向更高维进行拓展；除此之外，上升到高维空间中后，许多成熟的算法可以直接使用，如偏微分方程的理论及其数值化等。图2-2水平集算法原理[57]基于曲线演化理论的图像分割方法可以划分为四大类：1.基于阈值的分割方法；2.基于边缘检测的分割算法；3.基于区域的分割算法；4.基于模型的分割方法，如图2-3所示。在基于模型分割方法中，几何主动轮廓模型与水平集算法又尤为突出，Chan-Vese模型为水平集算法的代表体现。图2-3曲线演化理论发展

第二章相关理论基础92.2二维分割算法2.2.1水平集算法水平集算法最开始主要用于描述类似火焰的边界等具有高动态和高拓扑的结构变化，最近十几年得到广泛的推广与应用。其核心思想是通过高维函数曲面来表达低维的曲线或曲面，并通过求解水平集函数的方程来捕捉运动边界，简单的说来，水平集算法将低维的一些计算上升到更高一维，把N维的描述看成是N＋1维的一个水平，如图2-2所示，展示了水平集算法的演化过程。算法优势：第一，高维时的拓扑变化能简单的获取到，不存在太多断点；第二，高维演化不需要时时的进行参数化；第三，高维的计算更精确，更具有健壮性；第四，水平集算法可以向更高维进行拓展；除此之外，上升到高维空间中后，许多成熟的算法可以直接使用，如偏微分方程的理论及其数值化等。图2-2水平集算法原理[57]基于曲线演化理论的图像分割方法可以划分为四大类：1.基于阈值的分割方法；2.基于边缘检测的分割算法；3.基于区域的分割算法；4.基于模型的分割方法，如图2-3所示。在基于模型分割方法中，几何主动轮廓模型与水平集算法又尤为突出，Chan-Vese模型为水平集算法的代表体现。图2-3曲线演化理论发展


本文编号：3076060