【摘要】：醫(yī)學(xué)影像分析是疾病診斷和治療中最基本、最重要的步驟,隨著計(jì)算機(jī)技術(shù)的不斷更新發(fā)展,使用圖像處理和機(jī)器學(xué)習(xí)的方法進(jìn)行醫(yī)學(xué)影像分析成為新的發(fā)展方向。醫(yī)學(xué)圖像數(shù)據(jù)量小,人體間差異性大,對(duì)使用傳統(tǒng)的機(jī)器學(xué)習(xí)方法和深度學(xué)習(xí)方法進(jìn)行醫(yī)學(xué)影像分析提出了更高的要求。胰腺癌作為惡性程度最高的癌癥之一,精準(zhǔn)地分割病人的胰腺圖像有助于醫(yī)生的診斷和治療,本文針對(duì)小樣本的胰腺數(shù)據(jù)分別使用傳統(tǒng)的機(jī)器學(xué)習(xí)以及目前熱門的深度學(xué)習(xí)進(jìn)行圖像分割,提出了適用于不同模態(tài)的胰腺圖像分割方法。此外,隨著對(duì)醫(yī)療設(shè)備輻射方面的關(guān)注度越來(lái)越高,低輻射的醫(yī)學(xué)影像將廣泛使用,針對(duì)低輻射醫(yī)學(xué)影像成像質(zhì)量差,本文采用深度學(xué)習(xí)方法探討降質(zhì)醫(yī)學(xué)影像的圖像增強(qiáng),提出了適用于降質(zhì)醫(yī)學(xué)影像增強(qiáng)的深度學(xué)習(xí)方法,為進(jìn)一步的醫(yī)學(xué)影像分析,如分割、配準(zhǔn)等提供幫助。本文主要完成了以下三個(gè)工作:1.針對(duì)三維磁共振胰腺圖像中胰腺體積小且與周圍組織粘連嚴(yán)重難以準(zhǔn)確分割問(wèn)題,提出了基于水平集和自步支持向量機(jī)結(jié)合的序貫分割模型。首先,通過(guò)人機(jī)交互勾畫第一張磁共振胰腺序列圖像中胰腺的大致輪廓,利用水平集方法自動(dòng)演化出序列的粗分割結(jié)果。然后,利用訓(xùn)練好的自步支持向量機(jī)對(duì)粗分割結(jié)果進(jìn)一步分割。最后,利用形態(tài)學(xué)方法進(jìn)行后處理得到最終結(jié)果。針對(duì)自步支持向量機(jī),使用自步學(xué)習(xí)的思想改進(jìn)支持向量機(jī),在訓(xùn)練過(guò)程中先學(xué)習(xí)簡(jiǎn)單樣本然后逐漸加入復(fù)雜樣本,我們?nèi)诤匣叶裙采仃囂卣�、灰度梯度共生矩陣特征和三維灰度梯度共生矩陣特征構(gòu)造了自步支持向量機(jī)的輸入。實(shí)驗(yàn)結(jié)果表明,該分割方法提高了胰腺分割精度,達(dá)到一定的去粘連效果。2.針對(duì)PET/MRI中磁共振二維成像導(dǎo)致胰腺圖像質(zhì)量差,對(duì)比度低,難以分割問(wèn)題,提出了基于遷移學(xué)習(xí)和多尺度卷積的分割模型。首先,使用PET數(shù)據(jù)構(gòu)造了編碼器-解碼器結(jié)構(gòu)的U-Net分割網(wǎng)絡(luò)。然后基于MRI數(shù)據(jù)構(gòu)造了雙編碼器-單解碼器結(jié)構(gòu)的U-Net分割網(wǎng)絡(luò),對(duì)于其中一個(gè)編碼器,由PET分割模型中編碼器遷移得到,使得模型可以關(guān)注感興趣區(qū)域進(jìn)行特征提取;對(duì)于另一個(gè)解碼器,構(gòu)造了多尺度卷積模塊提升模型的特征表達(dá)能力;在解碼器部分采用插值上采樣和反卷積融合的方式進(jìn)行特征映射輸出MRI分割結(jié)果。實(shí)驗(yàn)結(jié)果表明,基于遷移學(xué)習(xí)的思想可以更好地定位胰腺,多尺度卷積以及融合的上采樣方式提高了分割精度。3.針對(duì)降質(zhì)醫(yī)學(xué)圖像兆伏CT噪聲大、分辨率低等問(wèn)題,提出了基于重建損失約束的生成對(duì)抗網(wǎng)絡(luò)提升圖像質(zhì)量。本方法利用生成對(duì)抗方式學(xué)習(xí)低質(zhì)量的兆伏CT和高質(zhì)量的千伏CT之間的映射關(guān)系提高兆伏CT圖像質(zhì)量。通過(guò)構(gòu)造兆伏CT和千伏CT雙輸入的生成器,使用cycle consistency loss解決了數(shù)據(jù)非配對(duì)問(wèn)題,在生成器重構(gòu)部分引入重建損失提高了圖像生成質(zhì)量,并引入梯度項(xiàng)對(duì)生成圖像輪廓進(jìn)行約束。在真實(shí)的臨床兆伏CT數(shù)據(jù)上表明,我們的方法在視覺(jué)效果和指標(biāo)上都表現(xiàn)優(yōu)異。
【圖文】：

（a） （b）（c） （d）圖3.2 某一病人連續(xù)四個(gè)圖層圖像3.3.3 算法流程（1）算法訓(xùn)練流程自步支持向量機(jī)用于三維磁共振胰腺圖像分割訓(xùn)練流程如圖 3.3 所示:訓(xùn)練圖像灰度共生矩陣二維灰度梯度共生矩陣特征三維灰度梯度共生矩陣特征訓(xùn)練自步支持向量機(jī)模型構(gòu)造特征向量提取特征圖3.3 自步支持向量機(jī)訓(xùn)練流程自步支持向量機(jī)詳細(xì)訓(xùn)練流程如下：（I）訓(xùn)練樣本選取自步支持向量機(jī)主要關(guān)注胰腺邊緣黏連部分，選取胰腺邊緣部分作為訓(xùn)練集可以使模型學(xué)習(xí)胰腺邊緣區(qū)域的特征，進(jìn)一步提高胰腺分割進(jìn)度，，所以本章舍棄將整個(gè)圖像序列中所有胰腺圖像構(gòu)造訓(xùn)練樣本的傳統(tǒng)做法，選取胰腺與周圍器官連接部分構(gòu)造

其中紅色標(biāo)注部分即為本章選取的訓(xùn)練樣本。（a） （b）圖3.4 訓(xùn)練樣本選取示意圖（II）特征提取對(duì)每一個(gè)像素點(diǎn)，按照 6 維灰度共生矩陣特征，15 維二維灰度梯度共生矩陣特征，15 維三維灰度梯度共生矩陣特征，該像素點(diǎn)為中心的5 5塊內(nèi)像素點(diǎn)灰度值的順序構(gòu)造 61 維特征用來(lái)描述每一個(gè)像素點(diǎn)，其權(quán)重皆為 1，輸入到自步 SVM 中進(jìn)行訓(xùn)練。（III）訓(xùn)練 SVM構(gòu)造訓(xùn)練樣本集，并按照 3.3.1 小節(jié)中的步驟求解自步支持向量機(jī)模型的參數(shù)
【學(xué)位授予單位】：西安電子科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類號(hào)】：R445;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(shí)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(shù)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(cè)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(chǎng)的圖像分割方法與研究[J];長(zhǎng)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(duì)圖像分割方法的認(rèn)識(shí)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(guó)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(guó)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(guó)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(guó)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(duì)基于圖像分割與合并的相位展開(kāi)算法的改進(jìn)[A];第十屆全國(guó)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(guó)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(zhǎng)的圖像分割方法[A];第二十四屆中國(guó)數(shù)據(jù)庫(kù)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(cè)圖像分割方法[A];中國(guó)體視學(xué)學(xué)會(huì)圖像分析專業(yè)、中國(guó)體視學(xué)學(xué)會(huì)仿真與虛擬現(xiàn)實(shí)專業(yè)、中國(guó)航空學(xué)會(huì)信號(hào)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(guó)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(guó)體視學(xué)學(xué)會(huì)圖像分析專業(yè)、中國(guó)體視學(xué)學(xué)會(huì)仿真與虛擬現(xiàn)實(shí)專業(yè)、中國(guó)航空學(xué)會(huì)信號(hào)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(guó)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(jué)顯著性檢測(cè)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(jué)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(yǔ)義識(shí)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(duì)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(duì)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(duì)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(hào)：2596549