图像分割在肿瘤放射治疗中的发展与应用

发布时间：2021-10-25 20:49

　　放疗图像的靶区及危及器官的勾画是制定放疗计划的关键步骤,目前临床中多由放疗医师手工勾画。图像分割技术可以将图像中具有相似属性的区域进行划分,是肿瘤放射治疗中图像处理的重要技术之一,传统的图像分割方法包括基于边缘、基于区域增长、基于能量最小化等,每种方法均有各自的优势所在。随着医疗服务需求及人工智能的应用,基于图谱库和基于深度学习的自动勾画方法相继出现,尤其是各种深度学习模型的应用,不仅提高了治疗效率,同时对推动放疗技术的进步与发展具有重要的意义。 

【文章来源】：中国医疗设备. 2020,35(12)

【文章页数】：5 页

【文章目录】：
引言
1 常用的医学图像分割方法
    1.1 基于边缘的分割方法
    1.2 基于区域增长的分割方法
    1.3 基于图割能量最小化的分割方法
2 放疗中图像分割的研究进展和应用
    2.1 手动勾画
    2.2 基于图谱库的自动勾画
    2.3 基于深度学习的自动勾画
        2.3.1 卷积神经网络
        2.3.2 全卷积网络
        2.3.3 U-Net网络
3 结语


【参考文献】：
期刊论文
[1]一种结合多种图像分割算法的实例分割方案[J]. 詹琦梁,陈胜勇,胡海根,李小薪,周乾伟.  小型微型计算机系统. 2020(04)
[2]采用图割算法的含风电电网动态分区备用配置[J]. 黄煜,徐青山,许彪,吕亚娟.  中国电机工程学报. 2020(12)
[3]一种改进FCN的肝脏肿瘤CT图像分割方法[J]. 段杰,崔志明,沈艺,冯威,吴宏杰,冯雨晴.  图学学报. 2020(01)
[4]大数据视角下的医学影像技术的发展与应用探究[J]. 李晓华.  科学技术创新. 2020(04)
[5]基于3D卷积神经网络的脑肿瘤医学图像分割优化[J]. 曹祺炜,王峰,牛锦.  现代电子技术. 2020(03)
[6]MR-PWI在鼻咽癌放疗靶区勾画中的应用价值[J]. 张白雪,谭叶,陆静钰,王效军,陆海军.  肿瘤预防与治疗. 2020(01)
[7]基于深度学习的复杂背景图像分类方法研究[J]. 程俊华,曾国辉,刘瑾.  电子科技. 2020(12)
[8]医学图像分割方法研究[J]. 董默,刘博强,李洪义,赵若晗.  信息记录材料. 2020(01)
[9]图像经典边缘检测算子的研究与比较[J]. 陈浩.  电脑编程技巧与维护. 2019(12)
[10]基于Sobel算子滤波的图像增强算法[J]. 王云艳,周志刚,罗冷坤.  计算机应用与软件. 2019(12)

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



本文编号：3458138