【摘要】：醫(yī)學(xué)圖像分割是計(jì)算機(jī)輔助診斷和治療的重要步驟。近些年來,隨著深度學(xué)習(xí)技術(shù)的快速發(fā)展,基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分割技術(shù)已經(jīng)逐漸趨向成熟。但是,由于醫(yī)學(xué)圖像本身的復(fù)雜性以及深度學(xué)習(xí)方法的局限性,醫(yī)學(xué)圖像的分割性能仍有待提高。本文將根據(jù)醫(yī)學(xué)圖像的特性,采用深度學(xué)習(xí)的方法設(shè)計(jì)先進(jìn)的分割算法。PET,CT以及MRI圖像被廣泛應(yīng)用于臨床醫(yī)學(xué)研究。PET(Positron Emission Tomography)是一種分子功能成像技術(shù),其在人體組織早期病變檢測方面非常有效。但是,由于成像時(shí)容積效應(yīng)的影響,PET圖像中的病理區(qū)域邊緣通常是模糊的,且圖像具有強(qiáng)度不均勻和高噪聲的特點(diǎn)。CT(Computed Tomography)是一種解剖成像技術(shù),主要提供了人體的組織結(jié)構(gòu)信息,相較于PET圖像分辨率較高。但是,由于病理區(qū)域與正常組織間的灰度相似性,兩者之間不存在明顯的分界線。所以,單獨(dú)利用PET圖像或者CT圖像完成病理區(qū)域分割任務(wù)非常困難。本文以如何有效融合PET和CT圖像各自的優(yōu)點(diǎn)為出發(fā)點(diǎn),設(shè)計(jì)了基于3D全卷積神經(jīng)網(wǎng)絡(luò)的高精度的病理區(qū)域分割算法Co-Segmentation以及Cross-DenseNet,該算法有效結(jié)合了PET和CT的優(yōu)勢信息,完成了端對端的全自動(dòng)分割。同時(shí),本文所提出的算法是一個(gè)通用的網(wǎng)絡(luò)架構(gòu),可以遷移到其它不同模態(tài)和共分割任務(wù)上。MRI(Magnetic Resonance Imaging)圖像也被稱作磁共振成像,其憑借著高分辨率的特點(diǎn)經(jīng)常被用于多器官分割任務(wù)。但是,由于器官的多樣性,不同器官之間的形狀,灰度,紋理等特征也不盡相同,從而也帶來了圖像分割任務(wù)中目標(biāo)多尺度的問題。為了提高分割精度,本文根據(jù)MRI圖像的特點(diǎn),提出了針對多尺度目標(biāo)優(yōu)化的分割算法MTBNet,該算法同時(shí)可以以一種即插即用的方式集成到其它分割算法之中,簡單易用。
【圖文】：

計(jì)算機(jī)視覺領(lǐng)域，能夠通過全自動(dòng)的方式對醫(yī)學(xué)圖像進(jìn)行初步的生診斷最直接、有效的方式。而算法對病理區(qū)域（腫瘤）或器官的接影響到計(jì)算機(jī)輔助診斷方案的成敗。近些年來，隨著硬件計(jì)算能度學(xué)習(xí)[3]在計(jì)算機(jī)視覺領(lǐng)域大放異彩，卷積神經(jīng)網(wǎng)絡(luò)（convoluti(b)圖 1-1 (a)PET-CT 掃描儀；(b) PET-CT 設(shè)備成像示意圖

像語義分割是計(jì)算機(jī)視覺和圖像處理領(lǐng)域的基礎(chǔ)研究之一，是圖像理部分，同時(shí)也是一個(gè)極具挑戰(zhàn)性的問題。在臨床醫(yī)學(xué)研究中，根據(jù)分割像源的不同可以分為單模態(tài)圖像分割方法和多模態(tài)共分割方法。其中割方法所涉及到的圖像源主要有 PET、CT 以及 MRI 圖像等，，共分割用了 PET/CT 圖像。根據(jù)發(fā)展歷程和理論基礎(chǔ)的不同，又可分為傳統(tǒng)的于深度學(xué)習(xí)的圖像分割。其中，傳統(tǒng)的分割方法主要有基于圖論、區(qū)等�；谏疃葘W(xué)習(xí)技術(shù)的分割方法主要利用了全卷積神經(jīng)網(wǎng)絡(luò)[8]、編]、跨層連接[10, 14]以及空洞卷積[16]等。下面分別以不同的角度對自然圖像分割的發(fā)展歷程作一個(gè)概述。單模態(tài)圖像分割方法概述統(tǒng)的圖像分割方法主要根據(jù)邊緣、灰度等特征將圖像劃分為若干互不大多數(shù)均是基于灰度值的相似和不連續(xù)的性質(zhì)完成分割任務(wù)。
【學(xué)位授予單位】：華中科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：TP391.41;TP18

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 韓懸;馬銀平;;分水嶺算法的改進(jìn)及在圖像分割中的應(yīng)用[J];現(xiàn)代信息科技;2019年24期

2 黃玲;石玉秋;覃永新;;基于小波融合的蘋果圖像分割的研究[J];科技視界;2018年29期

3 侯紅英;高甜;李桃;;圖像分割方法綜述[J];電腦知識與技術(shù);2019年05期

4 姚霆;張煒;劉金根;;基于深度學(xué)習(xí)的圖像分割技術(shù)[J];人工智能;2019年02期

5 丁翠;;基于模糊信息處理的圖像分割方法研究[J];信息系統(tǒng)工程;2017年11期

6 王平;魏征;崔衛(wèi)紅;林志勇;;一種基于統(tǒng)計(jì)學(xué)習(xí)理論的最小生成樹圖像分割準(zhǔn)則[J];武漢大學(xué)學(xué)報(bào)(信息科學(xué)版);2017年07期

7 李然;李記鵬;宋超;;基于顯著性檢測的協(xié)同圖像分割研究[J];現(xiàn)代計(jì)算機(jī)(專業(yè)版);2017年24期

8 鄧惠俊;;一種基于數(shù)據(jù)場的圖像分割方法與研究[J];長春工程學(xué)院學(xué)報(bào)(自然科學(xué)版);2016年02期

9 李繼云;冀卿偉;;基于自適應(yīng)局部閾值的交互式圖像分割[J];計(jì)算機(jī)應(yīng)用與軟件;2014年11期

10 劉印;;對圖像分割方法的認(rèn)識及新進(jìn)展研究[J];數(shù)碼世界;2018年08期

相關(guān)會(huì)議論文 前10條

1 閆平昆;;基于模型的圖像分割技術(shù)及其醫(yī)學(xué)應(yīng)用[A];第十五屆全國圖象圖形學(xué)學(xué)術(shù)會(huì)議論文集[C];2010年

2 楊生友;;圖像分割在醫(yī)學(xué)圖像中應(yīng)用現(xiàn)狀綜述[A];2009中華醫(yī)學(xué)會(huì)影像技術(shù)分會(huì)第十七次全國學(xué)術(shù)大會(huì)論文集[C];2009年

3 朱士蓉;謝昭;高雋;;一種圖模型下的柔性圖像分割方法[A];中國儀器儀表學(xué)會(huì)第十二屆青年學(xué)術(shù)會(huì)議論文集[C];2010年

4 朱松豪;劉佳偉;羅青青;胡榮林;;基于關(guān)聯(lián)模型的圖像分割[A];第26屆中國控制與決策會(huì)議論文集[C];2014年

5 張志會(huì);王華英;熊南燕;廖薇;成惠;劉飛飛;;對基于圖像分割與合并的相位展開算法的改進(jìn)[A];第十屆全國光電技術(shù)學(xué)術(shù)交流會(huì)論文集[C];2012年

6 楊加文;謝鳳英;;基于深度學(xué)習(xí)的皮膚鏡圖像分割[A];第十五屆中國體視學(xué)與圖像分析學(xué)術(shù)會(huì)議論文集[C];2017年

7 郭世可;董槐林;龍飛;張海波;;一種結(jié)合密度聚類和區(qū)域生長的圖像分割方法[A];第二十四屆中國數(shù)據(jù)庫學(xué)術(shù)會(huì)議論文集（研究報(bào)告篇）[C];2007年

8 劉智勇;李進(jìn);黃道君;;基于遺傳算法的視頻交通量檢測圖像分割方法[A];中國體視學(xué)學(xué)會(huì)圖像分析專業(yè)、中國體視學(xué)學(xué)會(huì)仿真與虛擬現(xiàn)實(shí)專業(yè)、中國航空學(xué)會(huì)信號與信息處理專業(yè)第一屆聯(lián)合學(xué)術(shù)會(huì)議論文集[C];2000年

9 張萍;單筱攸;巴成賀;;主動(dòng)脈圖像分割的研究與實(shí)現(xiàn)[A];第十二屆中國體視學(xué)與圖像分析學(xué)術(shù)會(huì)議論文集[C];2008年

10 趙建業(yè);余道衡;;一種基于模糊細(xì)胞神經(jīng)網(wǎng)絡(luò)的多值圖像分割新方法[A];中國體視學(xué)學(xué)會(huì)圖像分析專業(yè)、中國體視學(xué)學(xué)會(huì)仿真與虛擬現(xiàn)實(shí)專業(yè)、中國航空學(xué)會(huì)信號與信息處理專業(yè)第一屆聯(lián)合學(xué)術(shù)會(huì)議論文集[C];2000年

相關(guān)重要報(bào)紙文章 前1條

1 趙利利;圖像分割出新方法[N];中國科學(xué)報(bào);2019年

相關(guān)博士學(xué)位論文 前10條

1 邵光普;基于混合模型和空間信息的圖像分割研究[D];華中科技大學(xué);2019年

2 王晨;視覺顯著性檢測方法研究及其應(yīng)用[D];西北工業(yè)大學(xué);2018年

3 古晶;基于稀疏特征學(xué)習(xí)的SAR圖像分割與半監(jiān)督分類方法研究[D];西安電子科技大學(xué);2016年

4 段一平;基于層次視覺計(jì)算和統(tǒng)計(jì)模型的SAR圖像分割與理解[D];西安電子科技大學(xué);2017年

5 胡佩君;腹部CT圖像分割的可計(jì)算建模方法研究[D];浙江大學(xué);2018年

6 姜楓;基于語義識別的砂巖薄片圖像分割方法研究[D];南京大學(xué);2018年

7 趙曉麗;面向圖像分割的智能算法研究[D];上海大學(xué);2018年

8 倪波;高強(qiáng)度聚焦超聲圖像分割方法研究[D];武漢大學(xué);2016年

9 彭自立;用于交互式圖像分割的自適應(yīng)表觀分離[D];湖南師范大學(xué);2018年

10 瞿紹軍;基于最優(yōu)化理論的圖像分割方法研究[D];湖南師范大學(xué);2018年

相關(guān)碩士學(xué)位論文 前10條

1 王亞彪;基于深度學(xué)習(xí)的人腦組織圖像分割[D];北京理工大學(xué);2016年

2 王宇飛;基于模糊聚類技術(shù)的磁共振腦圖像分割方法的研究[D];北京理工大學(xué);2017年

3 王寧;基于生成對抗網(wǎng)絡(luò)的皮膚鏡圖像分割算法研究[D];山東科技大學(xué);2018年

4 張彎;近景圖像分割與像對分步匹配方法研究[D];山東科技大學(xué);2018年

5 閆文杰;基于深度學(xué)習(xí)的肺部CT影像分割算法的研究[D];大連理工大學(xué);2019年

6 殷麗麗;基于CNN-CRF的細(xì)胞顯微圖像分割[D];東華大學(xué);2019年

7 秦松巖;基于深度學(xué)習(xí)的火車輪對踏面圖像分割[D];石家莊鐵道大學(xué);2019年

8 趙向明;基于深度學(xué)習(xí)的醫(yī)學(xué)圖像分割算法研究[D];華中科技大學(xué);2019年

9 袁旭;基于超像素的圖像分割方法研究[D];華中科技大學(xué);2019年

10 胡翔;試卷智能輔助批閱系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D];華中科技大學(xué);2019年

本文編號：2595461