近年來,隨著硬件算力水平的不斷提升以及深度學習算法的不斷普及,數(shù)字醫(yī)學圖像處理技術獲得飛速發(fā)展,計算機輔助診斷(CAD)日趨成熟,在一些疾病領域的診斷準確率已經(jīng)達到甚至超過了專業(yè)放射科醫(yī)生的水平。隨著技術的快速發(fā)展,CAD系統(tǒng)可以持久、高效地進行工作,將醫(yī)生從大量重復的勞動中解放出來。但目前CAD通過自身算法優(yōu)化提升性能在許多任務上遇到瓶頸,本文提出通過圖像增強算法的研究在輸入層面突破瓶頸。由于自然圖像現(xiàn)有的評價指標如PSNR、SSIM均存在一些局限性導致不能夠很全面地評價醫(yī)學圖像處理算法的優(yōu)劣,本文引入CAD系統(tǒng)代替醫(yī)生為算法提供主觀評價指標,且這種語義層的評價指標可以突破傳統(tǒng)方法的限制,開拓新的醫(yī)學圖像增強算法。本文以CT灌注(CT Perfusion,CTP)模態(tài)高維醫(yī)學圖像分割任務以及CT模態(tài)圖像檢測任務為切入點,研究如何通過有效的醫(yī)學圖像增強算法進一步提升CAD系統(tǒng)的性能。本文的研究內容如下:第一,針對CTP模態(tài)高維數(shù)據(jù),本文充分利用模態(tài)轉換思想,結合提出的高維圖像時間降維方法,將高維圖像分割難問題解耦為基于時間降維和模態(tài)轉換的圖像增強以及分割兩個任務,大大降低了CAD系統(tǒng)學...

【文章頁數(shù)】：77 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 研究背景與意義
    1.2 國內外研究現(xiàn)狀
        1.2.1 醫(yī)學圖像增強技術的研究現(xiàn)狀
        1.2.2 醫(yī)學圖像處理技術的發(fā)展
    1.3 研究內容
    1.4 論文結構
第2章 相關理論技術綜述
    2.1 深度學習
        2.1.1 卷積神經(jīng)網(wǎng)絡概述
        2.1.2 對抗生成網(wǎng)絡(GAN)
        2.1.3 基于深度學習的計算機視覺任務
    2.2 模態(tài)轉換技術
    2.3 超分辨率重建
    2.4 注意力機制
    2.5 計算機輔助診斷系統(tǒng)
    2.6 本章小結
第3章 基于時間降維和模態(tài)轉換的CTP圖像增強算法
    3.1 CTP-DWI的模態(tài)轉換
        3.1.1 基于CNN的模態(tài)轉換
        3.1.2 基于GAN的模態(tài)轉換
    3.2 基于CNN的時間降維
    3.3 基于SegMaxOut層的假陽抑制模塊
    3.4 基于平衡陰陽區(qū)域訓練梯度比的分割損失函數(shù)
    3.5 實驗結果與分析
        3.5.1 ISLES2018 數(shù)據(jù)集
        3.5.2 實驗設置
        3.5.3 CAD系統(tǒng)評價指標
        3.5.4 結果與分析
    3.6 本章小結
第4章 基于DenseSRNet和陰陽采樣平衡的CT圖像增強算法
    4.1 基于陰陽采樣平衡的醫(yī)學圖像超分辨率訓練方法
    4.2 基于3D CNN的 DenseSRNet模型
        4.2.1 淺層特征提取層
        4.2.2 高頻特征提取模塊
        4.2.3 重建層
        4.2.4 損失函數(shù)
    4.3 基于3D注意力機制的DenseASRNet模型
        4.3.1 特征域的注意力機制
        4.3.2 空間域的注意力機制
    4.4 實驗結果與分析
        4.4.1 LUNA數(shù)據(jù)集
        4.4.2 實驗設置
        4.4.3 CAD系統(tǒng)評價指標
        4.4.4 結果與分析
    4.5 本章小結
結論
參考文獻
攻讀碩士學位期間取得的研究成果
致謝



本文編號：3843701