發(fā)布時(shí)間：2022-02-09 18:12

　　隨著科學(xué)技術(shù)的發(fā)展,穿刺介入手術(shù)在人體活體體檢、腰椎穿刺、靶點(diǎn)藥物注射等方面得到了廣泛的應(yīng)用。在介入手術(shù)的引導(dǎo)方面,超聲圖像由于侵入無創(chuàng)、成像速度快、性價(jià)比高等優(yōu)點(diǎn)應(yīng)用越來越廣泛。然而,在進(jìn)行活體穿刺手術(shù)時(shí),由于自然呼吸運(yùn)動(dòng)的影響,目標(biāo)及障礙的位置也會(huì)隨之發(fā)生變化,因此,如何實(shí)現(xiàn)穿刺探針的術(shù)前穿刺路徑規(guī)劃及術(shù)中穿刺路徑的微調(diào)越來越重要。針對(duì)上述問題,本文將障礙及目標(biāo)的運(yùn)動(dòng)信息和穿刺探針的穿刺路徑規(guī)劃相結(jié)合,提出了一種基于超聲圖像引導(dǎo)的微創(chuàng)探針動(dòng)態(tài)穿刺路徑規(guī)劃方法,對(duì)超聲圖像中的目標(biāo)檢測(cè)、目標(biāo)自動(dòng)分割、目標(biāo)跟蹤和基于目標(biāo)及障礙運(yùn)動(dòng)信息的柔性針穿刺軌跡規(guī)劃進(jìn)行深入研究。首先,基于超聲圖像對(duì)于血管區(qū)域進(jìn)行自動(dòng)提取。對(duì)于采集到的超聲圖像,采用形態(tài)學(xué)濾波去除超聲圖像中的標(biāo)注信息;將現(xiàn)有的基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法應(yīng)用到超聲圖像中的感興趣區(qū)域（ROI）提取上,并對(duì)其進(jìn)行改進(jìn),采用改進(jìn)后的目標(biāo)檢測(cè)算法提取出肝超聲圖像中的血管區(qū)域,提取出的血管區(qū)域超聲圖像將直接用于后續(xù)血管分割。其次,基于超聲圖像進(jìn)行血管分割。根據(jù)超聲圖像的特點(diǎn),采用直方圖均衡化對(duì)超聲圖像進(jìn)行預(yù)處理;采用基于U-net的超聲圖像分割算... 

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

【文章頁(yè)數(shù)】：65 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

超聲消融治療肝癌的經(jīng)皮穿刺手術(shù)原理圖[3]

哈爾濱工業(yè)大學(xué)工學(xué)碩士學(xué)位論文-3-將現(xiàn)有的醫(yī)療資源最大化改善，同時(shí)帶來極大的經(jīng)濟(jì)效益。1.2國(guó)內(nèi)外研究現(xiàn)狀及分析1.2.1目標(biāo)檢測(cè)研究現(xiàn)狀目標(biāo)區(qū)域自動(dòng)檢測(cè)的實(shí)現(xiàn)可以極大的提高后續(xù)目標(biāo)的識(shí)別與跟蹤的速度和準(zhǔn)確度，而對(duì)于超聲圖像中目標(biāo)狀態(tài)的實(shí)時(shí)獲取對(duì)于穿刺探針的動(dòng)態(tài)路徑規(guī)劃具有極大的指導(dǎo)意義。因此，目標(biāo)區(qū)域的檢測(cè)為首先要解決的問題。目標(biāo)檢測(cè)，就是利用傳統(tǒng)的圖像處理技術(shù)、深度神經(jīng)網(wǎng)絡(luò)等方法從圖像中識(shí)別出感興趣的對(duì)象，包括感興趣對(duì)象的類別及位置信息。也就是說同時(shí)實(shí)現(xiàn)目標(biāo)分類和目標(biāo)定位[9]。自從提出目標(biāo)檢測(cè)的概念以來，國(guó)內(nèi)外各學(xué)者針對(duì)這個(gè)問題做出了不懈研究，過去幾十年的進(jìn)展如圖1-2所示。圖1-2目標(biāo)檢測(cè)和識(shí)別的里程碑[9]傳統(tǒng)的目標(biāo)檢測(cè)算法，大多是基于滑動(dòng)窗口的框架或是根據(jù)特征點(diǎn)進(jìn)行匹配，例如SIFT系列算法、AdaBoost系列算法等[10]。然而采用傳統(tǒng)算法進(jìn)行圖像檢測(cè)時(shí)，所提取的特征基本都是基于低層次的、人為選定的特征，這些特征相對(duì)來說更直觀、更易理解。而且所提取的特征更具有針對(duì)性，對(duì)于不同的研究對(duì)象所提取的特征存在差異。但傳統(tǒng)方法所提取的特征并不具有普適性，不能很好地表達(dá)大量、多類的目標(biāo)。在2012年，Krizhevskyetal.提出的深度卷積神經(jīng)網(wǎng)絡(luò)（DCNN）AlexNet[11]在大規(guī)模視覺識(shí)別挑戰(zhàn)賽（ILSRVC）上表現(xiàn)極好，并獲得了大賽的冠軍。深度卷積網(wǎng)絡(luò)在ImageNet上的檢測(cè)效果遠(yuǎn)超傳統(tǒng)算法，這就使得大家重新燃起了對(duì)深度神經(jīng)網(wǎng)絡(luò)的研究熱情�？紤]到卷積神經(jīng)網(wǎng)絡(luò)在自動(dòng)提取圖像特征方面的有效性及快速性，在進(jìn)行目標(biāo)檢測(cè)時(shí)，越來越多的學(xué)者采用了深度學(xué)習(xí)的方法。圖1-3為基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法的發(fā)展歷程。

哈爾濱工業(yè)大學(xué)工學(xué)碩士學(xué)位論文-4-圖1-3基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法發(fā)展進(jìn)程[9]OverSeat[12]算法是最先將深度學(xué)習(xí)應(yīng)用到目標(biāo)檢測(cè)中的算法之一。該算法通過多尺度的滑動(dòng)窗口將圖像首先劃分為多個(gè)不同位置上的小區(qū)域圖像，即候選區(qū)域，然后使用AlexNet提取圖像區(qū)域特征，將其應(yīng)用于ILSVRC2013數(shù)據(jù)集，檢測(cè)效果相對(duì)于傳統(tǒng)算法有顯著提升，但仍然存在較多的錯(cuò)檢及漏檢現(xiàn)象。在OverFeat提出后不久，RossGrishick等人在此基礎(chǔ)上提出了R-CNN[13]模型，該模型首先利用SelectiveSearch算法從原始圖像中獲得大量的候選區(qū)域，相比于滑動(dòng)窗口的方法，加快了檢測(cè)速度，并提高了檢測(cè)的準(zhǔn)確度。然而使用R-CNN進(jìn)行目標(biāo)檢測(cè)時(shí)，對(duì)于獲得的所有候選區(qū)域，都需要分別做特征提取，這使得運(yùn)算量較大，從而損耗更多的存儲(chǔ)空間，減緩了網(wǎng)絡(luò)的運(yùn)行速度。基于此，He等人提出了SPP-Net[14]，一次性對(duì)于整張圖片做卷積操作來提取特征，這使得計(jì)算量大大減少，從而加快檢測(cè)速度。FastR-CNN[15]算法是基于SPP-Net實(shí)現(xiàn)的，它使用VGG-16代替Alex-Net來提取圖像特征，極大的加快了檢測(cè)速度及準(zhǔn)確度。然而SPP-Net和FastR-CNN仍然使用SelectiveSearch算法選擇候選區(qū)域，依然存在候選區(qū)域選取速度慢的問題。為了解決這一問題，RPN（RegionProposalNetworks）網(wǎng)絡(luò)被提出，F(xiàn)saterR-CNN[16]網(wǎng)絡(luò)使用RPN網(wǎng)絡(luò)代替SelectiveSearch算法，進(jìn)行候選區(qū)域的選取，極大的加快了檢測(cè)速度，實(shí)現(xiàn)了真正端到端的目標(biāo)檢測(cè)。從R-CNN到FasterR-CNN，上述所提出的目標(biāo)檢測(cè)算法都是2階的，目標(biāo)檢測(cè)算法始終遵循“候選區(qū)域提取+分類”的思想。這些算法在訓(xùn)練過程中需要訓(xùn)練兩個(gè)模型，這就意味著相應(yīng)的網(wǎng)絡(luò)參數(shù)以及訓(xùn)練量都會(huì)增加一倍，從而增加而網(wǎng)絡(luò)訓(xùn)練的時(shí)間，影響目標(biāo)檢測(cè)的速度。由此，YOLO[17

【參考文獻(xiàn)】：
期刊論文
[1]目標(biāo)檢測(cè)算法研究綜述[J]. 方路平,何杭江,周國(guó)民.  計(jì)算機(jī)工程與應(yīng)用. 2018(13)
[2]基于改進(jìn)的核相關(guān)濾波器的目標(biāo)跟蹤算法[J]. 秦曉飛,代順鋒,李峰.  測(cè)控技術(shù). 2017(10)
[3]基于改進(jìn)RRT算法的套管柔性針運(yùn)動(dòng)規(guī)劃[J]. 趙燕江,黃磊,杜海艷,張永德,胡海龍.  儀器儀表學(xué)報(bào). 2017(03)
[4]群智能算法在路徑規(guī)劃中的研究及應(yīng)用[J]. 杜映峰,陳萬米,范彬彬.  電子測(cè)量技術(shù). 2016(11)
[5]基于混合粒子群算法的在線檢測(cè)路徑規(guī)劃[J]. 梁旭,劉才慧.  國(guó)外電子測(cè)量技術(shù). 2015(12)
[6]基于多目標(biāo)粒子群優(yōu)化算法的斜尖柔性針穿刺路徑規(guī)劃[J]. 霍本巖,趙新剛,韓建達(dá),徐衛(wèi)良.  機(jī)器人. 2015(04)
[7]多種路徑形式組合的柔性針二維路徑優(yōu)化[J]. 趙燕江,張艷華,陳浩,張永德,Yan Yu.  中國(guó)機(jī)械工程. 2013(01)
[8]斜尖柔性針在軟組織中的二維路徑規(guī)劃[J]. 張永德,趙燕江,陳浩.  機(jī)器人. 2011(06)
[9]機(jī)器人輔助柔性針穿刺路徑的懸臂梁預(yù)測(cè)模型[J]. 鄭浩峻,姚望,高德東,Carl McGill.  清華大學(xué)學(xué)報(bào)(自然科學(xué)版). 2011(08)
[10]基于勢(shì)能場(chǎng)的針刺軟組織軌跡規(guī)劃[J]. 姜杉,劉曉艷,白松,楊志永.  生物醫(yī)學(xué)工程學(xué)雜志. 2010(04)

碩士論文
[1]基于針體識(shí)別和針尖位姿預(yù)測(cè)的柔性針軌跡控制[D]. 楊吉超.哈爾濱理工大學(xué) 2019
[2]基于超聲圖像的肝臟智能識(shí)別與彌漫性疾病診斷[D]. 李佳昕.哈爾濱工業(yè)大學(xué) 2018
[3]基于超像素的腹部圖像多器官分割算法研究[D]. 呂朝暉.西北大學(xué) 2018
[4]基于超聲圖像的三維穿刺路徑規(guī)劃研究[D]. 齊紅玉.哈爾濱工業(yè)大學(xué) 2018
[5]柔性針穿刺軟組織受力及彎曲變形建模研究[D]. 黃磊.哈爾濱理工大學(xué) 2018
[6]人體動(dòng)作分類算法的研究[D]. 楊煜.哈爾濱工業(yè)大學(xué) 2017
[7]斜角柔性針的非均勻介質(zhì)穿刺模型及針體實(shí)時(shí)監(jiān)測(cè)研究[D]. 張際超.哈爾濱工業(yè)大學(xué) 2014
[8]柔性針穿刺系統(tǒng)路徑規(guī)劃方法研究[D]. 孔德聰.東北大學(xué) 2014
[9]柔性針穿刺的幾何控制理論研究[D]. 周麗.東華大學(xué) 2014



本文編號(hào)：3617441