現(xiàn)代醫(yī)學(xué)中使用計(jì)算機(jī)處理分析人體CT圖像已經(jīng)成為一個(gè)重要的研究方向,并有十分重要的臨床實(shí)際應(yīng)用價(jià)值。人體CT掃描包含豐富的信息,如復(fù)雜的軟組織、骨、血管和多個(gè)器官。對(duì)于計(jì)算機(jī)輔助診斷,在CT圖像中分割感興趣區(qū)域（Region of Interest,ROI）是十分重要的前提條件。由于醫(yī)學(xué)CT圖像主動(dòng)輪廓分割方法中對(duì)初始輪廓敏感的問(wèn)題和手動(dòng)分割耗時(shí)耗力問(wèn)題,尋求一種可以取代人工分割的自動(dòng)CT圖像方法是當(dāng)務(wù)之急。針對(duì)醫(yī)學(xué)CT圖像主動(dòng)輪廓分割方法中對(duì)初始輪廓敏感的問(wèn)題和手動(dòng)分割耗時(shí)耗力問(wèn)題,本文以人體器官腦部、肝臟、肺部和椎骨等CT圖像數(shù)據(jù)為研究對(duì)象,提出一種基于超像素和卷積神經(jīng)網(wǎng)絡(luò)的CT圖像主動(dòng)輪廓自動(dòng)分割方法。該方法首先通過(guò)超像素分割對(duì)CT圖像進(jìn)行超像素網(wǎng)格化;其次通過(guò)改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行超像素分類(lèi)確定邊緣超像素,并提取邊緣超像素的種子點(diǎn)來(lái)組成初始輪廓;最后在提取的初始輪廓基礎(chǔ)上,通過(guò)求解本文提出的最小綜合能量函數(shù)來(lái)實(shí)現(xiàn)人體器官的精準(zhǔn)分割。針對(duì)本文算法,通過(guò)在公開(kāi)數(shù)據(jù)集上進(jìn)行仿真實(shí)驗(yàn),實(shí)現(xiàn)人體CT圖像的快速、準(zhǔn)確自動(dòng)分割。在人體器官分割的Jaccard、Dice和CCR指標(biāo)中,本文算法... 

【文章來(lái)源】：哈爾濱理工大學(xué)黑龍江省

【文章頁(yè)數(shù)】：52 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

BoundaryRecall方法

哈爾濱理工大學(xué)工學(xué)碩士學(xué)位論文圖2-1Under-segmentationError方法Fig.2-1Under-segmentationErrormethod2.BoundaryRecall：如圖2-2所示，黑色虛線及實(shí)線是圖像中物體的輪廓，棕色線是超像素的邊界。覆蓋圖像中物體的輪廓越多，超像素分割效果越好。在給予一定緩沖（灰色區(qū)域）的情況下，超像素邊緣可以覆蓋圖像物體邊緣（黑色實(shí)線）越多越好。圖2-2BoundaryRecall方法Fig.2-2BoundaryRecallmethod3.Compactnessscore：它是衡量超像素是否“緊實(shí)”的關(guān)鍵要素。如圖2-3所示。緊湊度得分越高代表超像素越緊實(shí)。圖2-3Compactnessscore方法Fig.2-3Compactnessscoremethod8

哈爾濱理工大學(xué)工學(xué)碩士學(xué)位論文-15-圖3-2Sigmoid函數(shù)Fig.3-2Sigmoidfunction（2）Tanh函數(shù)，該函數(shù)關(guān)于原點(diǎn)中心對(duì)稱(chēng)。輸出區(qū)間在（-1，1）之間，0均值且其收斂速度快于Sigmoid函數(shù)，Tanh函數(shù)在樣本特征相差明顯時(shí)的效果更佳，在循環(huán)處理過(guò)程中會(huì)不斷擴(kuò)大樣本特征效果。Tanh函數(shù)如圖3-3表示，Tanh函數(shù)數(shù)學(xué)表達(dá)式如式（3-2）：圖3-3Tanh函數(shù)Fig.3-3Tanhfunction（3）ReLU函數(shù)，是在CNN網(wǎng)絡(luò)中最常用的激活函數(shù)。ReLU函數(shù)對(duì)于SGD的收斂速度和計(jì)算速度相比于Sigmoid函數(shù)和Tanh函數(shù)都相對(duì)較快。且在一定條件下，緩解了梯度消失的問(wèn)題。ReLU函數(shù)如圖3-4表示，ReLU函數(shù)數(shù)學(xué)表達(dá)式如式（3-3）所示：2211xxefxe（3-2）

【參考文獻(xiàn)】：
期刊論文
[1]醫(yī)學(xué)圖像分析深度學(xué)習(xí)方法研究與挑戰(zhàn)[J]. 田娟秀,劉國(guó)才,谷珊珊,鞠忠建,劉勁光,顧冬冬.  自動(dòng)化學(xué)報(bào). 2018(03)
[2]基于卷積神經(jīng)網(wǎng)絡(luò)的隨機(jī)梯度下降算法[J]. 王功鵬,段萌,牛常勇.  計(jì)算機(jī)工程與設(shè)計(jì). 2018(02)
[3]一種基于模糊主動(dòng)輪廓的魯棒局部分割方法[J]. 孫文燕,董恩清,曹祝樓,鄭強(qiáng).  自動(dòng)化學(xué)報(bào). 2017(04)
[4]結(jié)合FCMS與變分水平集的圖像分割模型[J]. 唐利明,田學(xué)全,黃大榮,王曉峰.  自動(dòng)化學(xué)報(bào). 2014(06)
[5]基于模糊速度函數(shù)的活動(dòng)輪廓模型的肺結(jié)節(jié)分割[J]. 陳侃,李彬,田聯(lián)房.  自動(dòng)化學(xué)報(bào). 2013(08)
[6]基于超像素分割的無(wú)線內(nèi)窺鏡出血圖像檢測(cè)[J]. 付延安,孟慶虎,張偉.  吉林大學(xué)學(xué)報(bào)(工學(xué)版). 2013(02)
[7]基于水平集的腦部MR圖像混合分割算法[J]. 任曉穎,呂曉琪,張寶華,喻大華,谷宇.  科技通報(bào). 2013(02)
[8]基于隨機(jī)森林的目標(biāo)檢測(cè)與定位[J]. 劉足華,熊惠霖.  計(jì)算機(jī)工程. 2012(13)

碩士論文
[1]基于超像素分割的高光譜圖像特征變換和分類(lèi)算法研究[D]. 鄧彬.深圳大學(xué) 2018
[2]基于深度學(xué)習(xí)的海面船舶目標(biāo)檢測(cè)[D]. 吳科君.哈爾濱工程大學(xué) 2018
[3]低劑量CT的后處理和統(tǒng)計(jì)迭代重建算法研究[D]. 孫未雅.中北大學(xué) 2016
[4]CT三維重建技術(shù)在骨折診斷中的應(yīng)用研究[D]. 李曉俊.華東師范大學(xué) 2009



本文編號(hào)：3090812