發(fā)布時間：2021-07-14 19:53

　　隨著智能化醫(yī)學成像設備的發(fā)展,計算機軟硬件技術水平的提高,醫(yī)學圖像處理技術在醫(yī)療領域的研究和應用日益深入和廣泛,在輔助臨床診斷及定量分析等方面發(fā)揮著重要的作用。本文圍繞注意力機制的神經(jīng)網(wǎng)絡技術與其他醫(yī)學圖像處理領域中的相關問題,運用醫(yī)學圖像處理和深度學習,對超聲,MR和CT圖像等多模態(tài)醫(yī)學圖像展開研究,主要研究工作如下:（1）針對超聲圖像引導放療中的胸腹部呼吸運動目標追蹤問題,提出一種基于慢特征分析的檢索式運動追蹤方法。通過統(tǒng)計建模的方法來解決超聲圖像中目標與背景圖像的噪聲干擾,結合特征降維和慢特征分析構建圖像檢索圖譜。根據(jù)慢特征信號的特征重新定義特征圖譜中的映射關系。在基于檢索的基礎上更新模板圖像并縮小搜索范圍進而提高檢索式方法的追蹤精確度。另外,該工作中還涉及了超聲圖像引導設備的圖像獲取的可重復性實驗,以指導臨床醫(yī)生利用機器臂在分次中圖像引導過程中保證掃描位置的正確性。實驗驗證了提出的方法能夠以較快的處理速度獲得較低的追蹤誤差,在臨床實時呼吸運動追蹤方面具有重要的應用價值。（2）針對較復雜臨床環(huán)境影響下的超聲運動追蹤問題,如目標形態(tài)多變,模糊及遮擋等影響,提出一種基于注意力和全卷積... 

【文章來源】：山東師范大學山東省

【文章頁數(shù)】：138 頁

【學位級別】：博士

【部分圖文】：

利用瑞利分布和費舍爾分布擬合的超聲圖像感興趣區(qū)域的信號特性

山東師范大學碩士學位論文19=(/1),(2.5)公式中，()表示為符號函數(shù)。通過費舍爾分布可識別區(qū)別于噪聲的器官組織等解剖特征，但冗余噪聲仍然無法產(chǎn)生對追蹤有用的增強特征。經(jīng)過公式2.3至2.5的計算，引入方向導數(shù)判定每個像素是否是特征點，該處的判定閾值為歸一化后大于0.5的元素為特征點，否則置零。最終，特征點集合作為下一步訓練和測試時的輸入值。特征降維和慢特征分析為使運動追蹤模型學習到豐富的血管形態(tài)特征，該方法需要用到訓練集圖像為模型進行預訓練。其中，訓練集圖像要求帶有人工標記好的追蹤目標的坐標值真值，此真值可在治療計劃階段由解剖經(jīng)驗豐富的醫(yī)生標記。將預處理后的特征點重新分布為特征列向量，記為，那么由個訓練集圖像可得到×的訓練特征矩陣=�？紤]到特征矩陣仍有信息冗余且并非所有的特征點都對描述呼吸運動有較大貢獻，因此采用PCA（PricipalComponentAnalysis，主成分分析）對訓練集特征進行降維。圖2-2：追蹤目標感興趣區(qū)域的預處理過程。其中a圖分為上中下三個區(qū)域，分別計算不同的，b圖為通過對圖像進行費舍爾分布的降噪處理后的圖像，c圖為求解方向導數(shù)后的圖像。

山東師范大學博士學位論文20降維處理一方面降低計算壓力，另一方面去除了不必要的冗余信息有利于特征追蹤的深層次表達。通過對特征矩陣進行PCA降維得到降維后的特征矩陣。此時的的維度為×，相對比的維度×，的值遠大于。那么，通過PCA得到個主要特征向量來表示訓練特征矩陣。此時的特征矩陣中包含了空域特征和時域特征，SFA（SlowFeatureAnalysis，慢特征分析）可通過分析特征矩陣并提取不同信號頻率下的時域信息。通過SFA對特征矩陣進行時域特征分解后得到由低頻到高頻等不同頻率下的信號，通過對不同頻率的信號進行功率譜密度分析，選擇由低頻到高頻的三個信號進行分析得到如圖2-3所示的信號a，b和c。通過功率譜密度分析，結合人體的呼吸頻率是25—30Hz，在該頻段范圍內(nèi)可測量到信號a具有最大的功率值，說明信號a是由SFA得到的與呼吸運動相關的特征信號，該信號記為。由圖2-3右圖中a所示，對應該頻段SFA信號的時域特征曲圖2-3：對SFA輸出的信號進行功率譜密度分析。圖中右側a，b和c代表SFA輸出的三個頻段下的信號，左側信號最高點表示信號在該頻率下的功率最大，對應的頻率值表示該信號的頻率。紅色點為信號a的功率最大值。


本文編號：3284789