基于醫(yī)療影像的計算機輔助診斷技術(shù)一直以來都是計算機應用領域的研究熱點,醫(yī)學影像數(shù)據(jù)獲取的可控性和實際臨床診斷的需求為深度學習的落地提供了應用場景。本文主要探討了基于多參數(shù)核磁共振圖像進行肝細胞癌分化程度無創(chuàng)評估的深度學習解決方案,結(jié)合放射科醫(yī)生的臨床診斷經(jīng)驗和核磁共振影像的特點,以多參數(shù)核磁共振成像數(shù)據(jù)為基礎研究多模態(tài)數(shù)據(jù)融合方法,分別提出了多通道三維卷積神經(jīng)網(wǎng)絡、多尺度深度殘差網(wǎng)絡用于提取三維醫(yī)學影像數(shù)據(jù)和二維融合醫(yī)學影像數(shù)據(jù)的特征,同時面向肝細胞癌的臨床影像數(shù)據(jù)病例不足問題,驗證了遷移學習、度量學習在醫(yī)學影像分類中的作用。本文的主要工作和創(chuàng)新點有以下幾點:(1)完成了多參數(shù)核磁共振成像的肝細胞癌影像數(shù)據(jù)集構(gòu)建及預處理。根據(jù)國內(nèi)外學者的研究成果和醫(yī)生的臨床診斷經(jīng)驗,確定以多參數(shù)核磁共振成像為研究對象,以專業(yè)醫(yī)師采集、標注和病理檢查證實為肝細胞癌的多參數(shù)核磁共振成像的臨床影像為基礎,構(gòu)建醫(yī)學影像數(shù)據(jù)集,具體數(shù)據(jù)包括:T2加權(quán)成像(T2weighted imaging,T2WI)、T1加權(quán)成像同反相位、磁共振動態(tài)對比增強成像(Dynamic contrast enhanced MRI,DC...

【文章頁數(shù)】：88 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景和意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 醫(yī)學圖像診斷技術(shù)的研究現(xiàn)狀
        1.2.2 計算機視覺的研究現(xiàn)狀
        1.2.3 計算機輔助診斷的研究現(xiàn)狀
    1.3 課題來源
    1.4 主要研究內(nèi)容
    1.5 論文組織結(jié)構(gòu)
第2章 醫(yī)學圖像的計算機輔助診斷的相關技術(shù)
    2.1 引言
    2.2 醫(yī)學影像簡介
    2.3 基于淺層機器學習模型的輔助診斷方法
        2.3.1 圖像的特征提取方法
        2.3.2 特征降維方法
        2.3.3 淺層機器學習分類模型
    2.4 基于深度卷積神經(jīng)網(wǎng)絡的輔助診斷方法
        2.4.1 人工神經(jīng)網(wǎng)絡
        2.4.2 卷積神經(jīng)網(wǎng)絡
        2.4.3 遷移學習方法
        2.4.4 小樣本學習
    2.5 分類任務的評價標準
    2.6 本章小結(jié)
第3章 基于三維卷積神經(jīng)網(wǎng)絡的醫(yī)學影像時空特征提取
    3.1 引言
    3.2 高維醫(yī)學影像數(shù)據(jù)的表示與降維
        3.2.1 高維醫(yī)學影像數(shù)據(jù)的張量表示
        3.2.2 高維醫(yī)學影像數(shù)據(jù)的特征降維
    3.3 二維卷積和三維卷積
    3.4 DCE-MRI數(shù)據(jù)的張量表示和時空特征提取
    3.5 實驗結(jié)果與分析
        3.5.1 實驗數(shù)據(jù)集及數(shù)據(jù)預處理
        3.5.2 單個模態(tài)數(shù)據(jù)診斷效果
        3.5.3 多通道三維卷積神經(jīng)網(wǎng)絡實驗
        3.5.4 特征圖和卷積核的可視化
        3.5.5 多分類轉(zhuǎn)化為二分類
    3.6 本章小結(jié)
第4章 基于多模態(tài)醫(yī)學影像的認知計算方法
    4.1 引言
    4.2 多模態(tài)醫(yī)學影像的信息融合
    4.3 多尺度深度殘差網(wǎng)絡模型設計
    4.4 多尺度深度殘差網(wǎng)絡性能分析
    4.5 醫(yī)學影像應用實驗與結(jié)果分析
        4.5.1 數(shù)據(jù)預處理和數(shù)據(jù)集劃分
        4.5.2 單一模態(tài)和多模態(tài)數(shù)據(jù)融合對比
        4.5.3 遷移學習實驗結(jié)果
        4.5.4 多模態(tài)MRI用于判斷HCC分化程度
    4.6 本章小結(jié)
第5章 醫(yī)學圖像輔助診斷中度量學習方法
    5.1 引言
    5.2 基于度量學習的醫(yī)學圖像分類方法
    5.3 醫(yī)學影像的特征表示學習
    5.4 實驗結(jié)果與分析
        5.4.1 樣本對和三元組的構(gòu)造
        5.4.2 手寫體數(shù)字特征的空間分布對比分析實驗
        5.4.3 醫(yī)學圖像特征的空間分布對比分析實驗
    5.5 本章小結(jié)
結(jié)論
參考文獻
攻讀碩士學位期間所發(fā)表的學術(shù)論文
致謝



本文編號：4043207