肺是與外界自然直接相連的器官,使肺部極其容易感染疾病。隨著環(huán)境和人為因素的影響,肺部疾病,特別是肺癌逐漸增加,成為影響人類健康的主要疾病之一。醫(yī)學(xué)CT影像由于其可視性和可計(jì)算性,被廣泛用于肺部疾病的診斷和治療,如肺結(jié)節(jié)檢測、肺癌檢測、肺部穿刺等。然而,肺實(shí)質(zhì)分割是基于計(jì)算機(jī)輔助肺部疾病診斷和治療的首要任務(wù),其分割結(jié)果直接影響疾病診斷的質(zhì)量。因此,國內(nèi)外學(xué)者開展了大量的肺實(shí)質(zhì)分割的研究工作。但是,由于肺部器官體積較大,且受其周邊器官組織影像的干擾,給肺實(shí)質(zhì)的準(zhǔn)確分割增加了困難。為此,本文以臨床應(yīng)用需求為目標(biāo),結(jié)合人工智能技術(shù),開展快速3D肺實(shí)質(zhì)分割研究,建立了基于2.5D卷積神經(jīng)網(wǎng)絡(luò)的肺實(shí)質(zhì)分割系統(tǒng)。首先,給出了改進(jìn)U-net的神經(jīng)網(wǎng)絡(luò)模型。改進(jìn)的網(wǎng)絡(luò)模型采用不同卷積率的空洞卷積(Atrous-Conv),以便整合更多的圖像信息;運(yùn)用多個異核池化操作進(jìn)行信息篩選,保證獲取信息的有效性;通過反卷積上采樣操作實(shí)現(xiàn)肺實(shí)質(zhì)分割。以改進(jìn)的網(wǎng)絡(luò)模型為基礎(chǔ),運(yùn)用VGG結(jié)構(gòu),實(shí)現(xiàn)以特征提取、全局信息注入、肺實(shí)質(zhì)分割三個部分為主的分割系統(tǒng),有效地改善了肺實(shí)質(zhì)過分割現(xiàn)象。其次,提出了基于2.5D改進(jìn)U-ne...

【文章頁數(shù)】：48 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景與研究意義
    1.2 肺組織結(jié)構(gòu)的CT影像特征
    1.3 基于CT圖像的肺實(shí)質(zhì)分割的國內(nèi)外研究現(xiàn)狀
        1.3.1 傳統(tǒng)方法進(jìn)行肺實(shí)質(zhì)分割
        1.3.2 深度學(xué)習(xí)方法進(jìn)行肺實(shí)質(zhì)分割
    1.4 主要研究內(nèi)容和組織結(jié)構(gòu)
第二章 基于U-net網(wǎng)絡(luò)的醫(yī)學(xué)圖像分割
    2.1 卷積神經(jīng)網(wǎng)絡(luò)
        2.1.1 深度學(xué)習(xí)概述
        2.1.2 卷積神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)
    2.2 基于2DU-net的醫(yī)學(xué)圖像分割
        2.2.1 U-net的網(wǎng)絡(luò)結(jié)構(gòu)
        2.2.2 基于2DU-net的肺實(shí)質(zhì)分割
    2.3 基于3DU-net網(wǎng)絡(luò)的醫(yī)學(xué)圖像分割
    2.4 本章小結(jié)
第三章 基于2.5D改進(jìn)U-net的肺實(shí)質(zhì)分割
    3.1 改進(jìn)的U-net網(wǎng)絡(luò)
        3.1.1 改進(jìn)U-net網(wǎng)絡(luò)的整體結(jié)構(gòu)
        3.1.2 空洞卷積模塊
        3.1.3 并行池化模塊
    3.2 2.5D分割原理與實(shí)現(xiàn)
    3.3 本章小結(jié)
第四章 實(shí)驗(yàn)結(jié)果與分析
    4.1 實(shí)驗(yàn)數(shù)據(jù)
        4.1.1 數(shù)據(jù)來源及數(shù)據(jù)分析
        4.1.2 數(shù)據(jù)預(yù)處理
    4.2 評價標(biāo)準(zhǔn)
    4.3 實(shí)驗(yàn)結(jié)果與分析
        4.3.1 二維肺實(shí)質(zhì)分割各種方法結(jié)果比較
        4.3.2 2.5D肺實(shí)質(zhì)分割結(jié)果與3D肺實(shí)質(zhì)分割結(jié)果比較
    4.4 本章小結(jié)
第五章 總結(jié)與展望
    5.1 全文總結(jié)
    5.2 后續(xù)展望
參考文獻(xiàn)
致謝



本文編號：3952761