在臨床上,專業(yè)醫(yī)生一般通過主觀觀察來對醫(yī)學(xué)影像進(jìn)行評估。這種評估依賴經(jīng)驗(yàn)積累,存在個(gè)體差異。與這種定性推理相比,人工智能擅長在數(shù)據(jù)中識別復(fù)雜的模式,并以自動(dòng)化方式提供定量評估。將圖像理解引入醫(yī)學(xué)領(lǐng)域,為醫(yī)療影像生成語義標(biāo)注及描述是一項(xiàng)非常有意義的研究工作。本文以乳腺鉬靶影像作為研究對象,將結(jié)構(gòu)化學(xué)習(xí)的方法應(yīng)用于影像理解中。通過對病變區(qū)域檢出、標(biāo)簽生成、語義映射模型構(gòu)建的研究,實(shí)現(xiàn)了乳腺鉬靶影像報(bào)告的結(jié)構(gòu)化輸出。本文的主要工作有:(1)針對獲取人工標(biāo)注的困難,提出了一種基于無監(jiān)督學(xué)習(xí)的自動(dòng)病灶檢出算法。該算法基于K-means聚類,對像素點(diǎn)進(jìn)行特征設(shè)計(jì)并聚類,初步篩選出病變區(qū)域后進(jìn)一步提取區(qū)域的形態(tài)學(xué)及紋理特征,使用支持向量機(jī)(Support Vector Machine,SVM)進(jìn)行后處理篩選,最終得到目標(biāo)感興趣區(qū)域(Region Of Interest,ROI)。(2)為減少多標(biāo)簽分類任務(wù)中候選區(qū)(Proposal Region)的生成數(shù)量,并提高模型對影像的視覺特征抽取能力,提出了一種基于感興趣區(qū)域裁剪池化(ROI Crop Pooling,RCP)的特征提取網(wǎng)絡(luò),配合多標(biāo)簽分類(...

【文章頁數(shù)】：60 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖2-1基于候選區(qū)的圖像多標(biāo)簽分類框架圖

圖2-1基于候選區(qū)的圖像多標(biāo)簽分類框架圖像在經(jīng)過候選區(qū)生成方法后會(huì)得到一系列圖像的局部區(qū)域神經(jīng)網(wǎng)后會(huì)在所有類別標(biāo)簽上產(chǎn)生一個(gè)概率分布。經(jīng)由逐到圖像全局的標(biāo)簽預(yù)測結(jié)果。進(jìn)的候選區(qū)選擇方法，雖然一定程度上減少了候選區(qū)的數(shù)不是精確的目標(biāo)區(qū)域，它們與目標(biāo)區(qū)域往往會(huì)發(fā)生重疊，這可能會(huì)損....

圖3-4連通區(qū)域取值圖

究生學(xué)位論文3基于K-means的乳腺鉬靶影征像中，病灶往往表現(xiàn)出比正常組織更高的灰度值，在織區(qū)域。本文提取的像素特征是像素的領(lǐng)域灰度均值及3×3區(qū)域兩條對角線的灰度均值。另外，本文使較高的影像(3328×4048,2560×3328)，為使像素特域，所以還提取了....

本文編號：3943082