高質(zhì)量高效的醫(yī)療可以提高人們的生活質(zhì)量。而肝腫瘤作為一種惡性腫瘤嚴重威脅著人們的生命健康。因此肝腫瘤的射頻消融（Radio Frequency Ablation,RFA）治療逐漸受到廣泛關注,各地區(qū)的RFA治療水平也亟待提高。為了準確地實現(xiàn)肝腫瘤的RFA治療,需要在手術前借助CT圖像進行RFA治療肝腫瘤的布針方案設計。在進行RFA設計時,需要CT圖像中的肝腫瘤準確分割作為重要依據(jù)。同時,肝腫瘤的三維重建將給RFA治療設計帶來更大的便捷,因此對于CT的三維重建的研究是具有重要意義的。本文結(jié)合醫(yī)學圖像處理與深度學習的相關方法,首先對CT圖像中的肝腫瘤進行分割,其次在肝腫瘤分割的基礎上對CT圖像中的不同組織進行三維重建,最后基于建立好的三維重建模型完成RFA治療肝腫瘤的布針方案設計。本文針對傳統(tǒng)算法的不足針對性地做了以下研究:（1）針對目前在CT圖像中肝腫瘤分割精度不足的問題,本文提出了一種基于U-net網(wǎng)絡的肝腫瘤分割算法。該算法用到兩個參與分割任務的深度卷積神經(jīng)網(wǎng)絡,分別針對肝臟分割任務和肝腫瘤分割任務。整個方法分為離線階段與在線階段兩個部分。在離線階段中對網(wǎng)絡進行訓練,在在線階段,將訓... 

【文章來源】：哈爾濱工業(yè)大學黑龍江省 211工程院校 985工程院校

【文章頁數(shù)】：61 頁

【學位級別】：碩士

【部分圖文】：

平滑濾波效果

哈爾濱工業(yè)大學工學碩士學位論文-15-其中，I′(x,y)表示分割后的圖像。當最終的圖像目標區(qū)域和背景之間不僅僅分布在兩個灰度范圍內(nèi)，此時需要兩個或以上的閾值來提取目標。在圖像I(x,y)中找到特征值1T和2T，則分割后的圖像表示為：()()121,,0TIxyTIxy≤<′=，，其他(2-7)在閾值法中，設定一個閾值僅僅可以將圖像分割成兩類，這只能滿足少量的分割需求。當需要進行分割的部分的灰度值介于整張圖像灰度值的中間時，那么就需要設定多個閾值對其進行分割。其中自適應閾值圖像分割可以通過自動計算閾值將圖像分為目標和背景兩個部分。背景和目標之間的類間方差越大，說明這兩部分的差別越大。為了便于計算，用0ω表示所需分割的像素點個數(shù)占全部像素個數(shù)的比例，平均灰度記為0μ；用1ω表示不需分割的像素點個數(shù)占全部像素個數(shù)的比例，并把平均灰度記為1μ。那么圖像I(x,y)的總平均灰度μ的計算公式如式(2-8)所示：0011μ=ωμ+ωμ(2-8)類間方差g可由公式(2-9)計算得到：()()220011g=ωμμ+ωμμ(2-9)遍歷整張圖像計算類間方差g使其最大，此時就得到了圖像最佳的閾值標準。針對CT圖像的分割任務，由于CT圖像中骨頭部分的Hu值較大，當映射到灰度值后，從圖中可以看到與其他組織有很大的差異，因此可采用閾值分割方法做初步的分割。通過設定一個比較合理的閾值，將骨架部分提取出來，其余的部分作為背景處理，分割結(jié)果如圖2-5所示。圖2-5基于閾值分割算法的骨架提取但對于肝腫瘤的分割，由于肝腫瘤部分的Hu值與其他的肝組織的Hu值存在重疊，在整張CT圖像上使用基于閾值分割方法會導致大量的誤分割，使分割精度很低。因此本文進行了改進的閾值分割實驗，分割結(jié)果如圖2-6所示。

哈爾濱工業(yè)大學工學碩士學位論文-16-圖2-6基于閾值分割算法的肝腫瘤提取從圖2-6中可以看出，由于肝腫瘤與其周圍的組織之間常常存在著區(qū)分的差異，想到先人工縮小分割范圍，在縮小后的局部空間上設定一個合理的閾值，將肝腫瘤部分提取出來。但是這種方法有一個很明顯的缺點，就是需要人工縮小分割范圍。在大量的醫(yī)學圖像面前，這往往需要巨大的人力物力投入，顯然是不可行的。2.3.2基于區(qū)域生長的分割算法基于區(qū)域生長的分割算法需要人為設定兩個條件，一是種子點，二是分割的判定準則。以設定的種子點作為分割的起點，在與起點相連的像素點中尋找滿足分割判定準則的像素點，這個起點也被稱為參考點，用于判斷其他像素與參考像素之間是否具有聯(lián)系。然后根據(jù)一定的生長判別準則，判斷種子像素周圍像素是否符合生長準則，并將滿足生長準則的像素進行合并。詳細的基于區(qū)域生長的分割算法的流程如表2-2所示：表2-2基于區(qū)域生長的分割算法流程輸入：待分割的CT圖像I(x,y)輸出：CT圖像的肝腫瘤分割I′(x,y)第一步：種子()00x,y生成；第二步：取出種子()00x,y鄰域中的任意一點(x,y)；第三步：根據(jù)判定準則，判斷(x,y)是否與種子()00x,y相似；如果相似，將(x,y)與種子()00x,y合并到同一區(qū)域；第四步：取出區(qū)域內(nèi)的一個像素作為()00x,y返回到第二步；第五步：當無滿足判定準則的點存在時，輸出分割結(jié)果。

【參考文獻】：
期刊論文
[1]Edge detection and mathematic fitting for corneal surface with Matlab software[J]. Yue Di,Mei-Yan Li,Tong Qiao,Na Lu.  International Journal of Ophthalmology. 2017(03)
[2]基于Ray-Casting算法對醫(yī)學圖像進行三維體繪制重建[J]. 周娟.  計算機科學. 2016(S2)
[3]基于Krisch算子和絕對關聯(lián)度的圖像邊緣檢測[J]. 薛文格,鄺天福.  計算機與數(shù)字工程. 2015(10)
[4]醫(yī)學圖像三維重建及應用[J]. 付淼.  中國醫(yī)學工程. 2013(09)
[5]基于二維Otsu閾值修正的圖像分割新方法[J]. 田野,章錦文,趙廣州.  計算機與數(shù)字工程. 2012(05)
[6]基于最近鄰Marching Cubes的醫(yī)學圖像三維重建[J]. 王旭初,王贊.  計算機工程與應用. 2012(18)
[7]最小誤差閾值分割法的改進算法[J]. 朱齊丹,荊麗秋,畢榮生,吳葉斌.  光電工程. 2010(07)
[8]醫(yī)學圖像三維重建的研究[J]. 金天弘,劉振宅.  醫(yī)療衛(wèi)生裝備. 2008(02)
[9]醫(yī)學圖像分割方法綜述[J]. 林瑤,田捷.  模式識別與人工智能. 2002(02)



本文編號：3344280