骨骼疾病是常見的五大疾病之一,困擾著全球近17億人,是造成長期疼痛和身體殘疾的最常見原因。近些年,研究人員針對醫(yī)學(xué)圖像的檢測和分割方法已經(jīng)進行了深入研究,并取得了豐碩成果,但針對骨骼病灶的異常診斷和檢測方法的研究較少。在此背景下,本文主要研究內(nèi)容如下:1.本文提出了一種融合淺層紋理特征的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)來診斷骨骼影像是否異常。在放射性骨骼影像中存在各組織結(jié)構(gòu)之間分界線不清晰、病灶區(qū)域和正常區(qū)域紋理差異不大等問題,對此,本文先通過紋理分析來統(tǒng)計感興趣區(qū)域內(nèi)局部紋理特征,然后將紋理特征圖和原始骨骼圖像進行融合,再使用深度神經(jīng)網(wǎng)絡(luò)進行分類。在大型的放射性骨骼異常分類數(shù)據(jù)集MURA上的實驗結(jié)果表明,結(jié)合紋理特征的模型能更好的對骨骼圖像進行異常診斷。2.本文提出了一種兩階段骨骼圖像異常診斷方法。由于骨骼疾病主要由異常物體、退行性關(guān)節(jié)炎、骨折和損傷等病灶構(gòu)成,因此造成了骨骼影像的病灶具有出現(xiàn)位置隨機、大小和形狀不固定、種類差異大等問題。對此,我們借鑒Boosting學(xué)習(xí)思路,先利用一個分類模型快速識別容易區(qū)分的病灶,再在第二階段針對難以區(qū)分的病灶進行精細(xì)識別。實驗結(jié)果表明,本文提出的兩階段方法可以... 

【文章頁數(shù)】：65 頁

【學(xué)位級別】：碩士

【部分圖文】：

X線成像原理圖

卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖

DenseNet網(wǎng)絡(luò)結(jié)構(gòu)

【參考文獻】：
期刊論文
[1]基于改進CPMs和SqueezeNet的輕量級人體骨骼關(guān)鍵點檢測模型[J]. 強保華,翟藝杰,陳金龍,謝武,鄭虹,王學(xué)文,張世豪.  計算機應(yīng)用. 2020(06)
[2]基于UNet結(jié)構(gòu)的人體骨骼點檢測[J]. 丁圣勇,樊勇兵,陳楠.  廣東通信技術(shù). 2018(11)
[3]基于隨機森林算法的小鼠micro-CT影像中骨骼關(guān)節(jié)特征點定位[J]. 屠睿博,陳中華,王洪凱.  中國生物醫(yī)學(xué)工程學(xué)報. 2017(03)
[4]工作相關(guān)肌肉骨骼疾患的行業(yè)流行趨勢及進展[J]. 徐相蓉,王生,余善法,何麗華.  中國工業(yè)醫(yī)學(xué)雜志. 2016(04)
[5]肌肉骨骼損傷及其工效學(xué)[J]. 劉偉達,王忠旭.  環(huán)境與職業(yè)醫(yī)學(xué). 2008(06)

碩士論文
[1]骨折圖像特征提取與分型識別技術(shù)研究[D]. 馬娜.河北大學(xué) 2010



本文編號：3678371