心臟在人體循環(huán)系統(tǒng)中負責(zé)泵送血液,是人體最重要的器官之一,而心血管疾病卻嚴重地威脅到了人類的健康。計算機化X射線斷層攝影（Computed Tomography,CT）是最常見的醫(yī)學(xué)影像成像方式之一,在多種疾病的診斷和輔助治療中扮演著不可或缺的角色。在臨床醫(yī)療中,心臟CT圖像的分割為心血管疾病的診斷和治療提供了重要的幫助,但人工分割心臟CT圖像是一項復(fù)雜耗時的任務(wù)。在醫(yī)學(xué)圖像處理領(lǐng)域,自動且準確地分割心臟CT圖像是一個重要的研究方向�；诙嗄０迮錅实姆指罴夹g(shù)是一種常用的圖像分割方式。利用配準技術(shù)可以獲得模板向目標(biāo)圖像的空間變換,將此變換作用在模板分割標(biāo)簽上即可得到模板對目標(biāo)圖像的預(yù)測分割結(jié)果,融合多個模板的預(yù)測分割通常能提高最終分割結(jié)果的準確性。但是多模板配準技術(shù)時間復(fù)雜度高,不滿足實時性要求,并且如何融合多個預(yù)測結(jié)果是一個難題。卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network,CNN）的快速發(fā)展,以及全卷積網(wǎng)絡(luò)（Fully Convolutional Network,FCN）的出現(xiàn)使得快速且精確地分割心臟CT圖像成為可能,但是基于卷積神經(jīng)網(wǎng)絡(luò)的分割算法的準確性容... 

【文章頁數(shù)】：93 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
縮略語表
第一章 緒論
    1.1 研究背景
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 基于圖像的方法
        1.2.2 基于模型的方法
        1.2.3 基于卷積神經(jīng)網(wǎng)絡(luò)的方法
    1.3 本文的研究內(nèi)容及意義
    1.4 本文組織結(jié)構(gòu)
第二章 理論基礎(chǔ)
    2.1 引言
    2.2 醫(yī)學(xué)圖像配準原理
        2.2.1 數(shù)學(xué)模型
        2.2.2 圖像配準流程及本文選用的配準模型
    2.3 基于配準的圖像分割算法
        2.3.1 基于單模板配準的圖像分割算法
        2.3.2 基于多模板配準的圖像分割算法
    2.4 卷積神經(jīng)網(wǎng)絡(luò)理論
        2.4.1 卷積神經(jīng)網(wǎng)絡(luò)的基本組成
        2.4.2 FCN和 UNet
        2.4.3 殘差網(wǎng)絡(luò)結(jié)構(gòu)
    2.5 本章小結(jié)
第三章 基于深度全卷積網(wǎng)絡(luò)的心臟CT圖像配準技術(shù)
    3.1 引言
    3.2 相關(guān)工作
    3.3 基于深度全卷積網(wǎng)絡(luò)的心臟CT圖像配準技術(shù)
    3.4 實驗數(shù)據(jù)
        3.4.1 原始數(shù)據(jù)集
        3.4.2 數(shù)據(jù)預(yù)處理
        3.4.3 本章數(shù)據(jù)集構(gòu)建
    3.5 實驗環(huán)境
    3.6 實驗評價指標(biāo)
        3.6.1 基于配準結(jié)果的評估指標(biāo)
        3.6.2 基于分割標(biāo)簽的評估指標(biāo)
    3.7 實驗結(jié)果與分析
        3.7.1 UNet_3LD動量預(yù)測網(wǎng)絡(luò)結(jié)構(gòu)分析
        3.7.2 UNet_3LD-LDDMM形變的平滑性分析
        3.7.3 UNet_3LD-LDDMM配準技術(shù)實驗分析
        3.7.4 本章實驗小結(jié)
    3.8 本章小結(jié)
第四章 相似性度量網(wǎng)絡(luò)SNet
    4.1 引言
    4.2 基于殘差模塊的相似性度量網(wǎng)絡(luò)
    4.3 實驗數(shù)據(jù)
    4.4 實驗分析
        4.4.1 Snet網(wǎng)絡(luò)結(jié)構(gòu)分析
        4.4.2 不同相似性度量對標(biāo)簽融合算法的影響
        4.4.3 時間復(fù)雜度對比
        4.4.4 實驗小結(jié)
    4.5 本章小結(jié)
第五章 半局部標(biāo)簽融合算法
    5.1 引言
    5.2 半局部標(biāo)簽融合算法
    5.3 實驗分析
        5.3.1 候選標(biāo)簽數(shù)量對標(biāo)簽融合的影響
        5.3.2 標(biāo)簽融合算法的實驗對比
        5.3.3 時間復(fù)雜度分析
        5.3.4 實驗小結(jié)
    5.4 本章小結(jié)
第六章 融合卷積神經(jīng)網(wǎng)絡(luò)與多模板配準的心臟CT圖像分割算法
    6.1 引言
    6.2 融合卷積神經(jīng)網(wǎng)絡(luò)與多模板配準的心臟CT圖像分割算法
    6.3 實驗結(jié)果及分析
        6.3.1 本文分割算法的訓(xùn)練與測試步驟
        6.3.2 心臟CT圖像分割結(jié)果實驗分析
    6.4 本章小結(jié)
第七章 總結(jié)和展望
    7.1 工作總結(jié)
    7.2 研究展望
致謝
參考文獻
作者簡介


【參考文獻】：
期刊論文
[1]運用LV-METRIC軟件自動分析左室壁的節(jié)段性運動[J]. N.C.Codella,J.W.Weinsaft,M.D.Cham,M.Janik,M.R Prince,李翠玲.  國際醫(yī)學(xué)放射學(xué)雜志. 2008(06)

博士論文
[1]醫(yī)學(xué)圖像分割方法研究及其應(yīng)用[D]. 鄭倩.南方醫(yī)科大學(xué) 2014



本文編號：3658393