放療圖像的靶區(qū)及危及器官的勾畫是制定放療計劃的關鍵步驟,目前臨床中多由放療醫(yī)師手工勾畫。圖像分割技術可以將圖像中具有相似屬性的區(qū)域進行劃分,是腫瘤放射治療中圖像處理的重要技術之一,傳統(tǒng)的圖像分割方法包括基于邊緣、基于區(qū)域增長、基于能量最小化等,每種方法均有各自的優(yōu)勢所在。隨著醫(yī)療服務需求及人工智能的應用,基于圖譜庫和基于深度學習的自動勾畫方法相繼出現(xiàn),尤其是各種深度學習模型的應用,不僅提高了治療效率,同時對推動放療技術的進步與發(fā)展具有重要的意義。 

【文章來源】：中國醫(yī)療設備. 2020,35(12)

【文章頁數(shù)】：5 頁

【文章目錄】：
引言
1 常用的醫(yī)學圖像分割方法
    1.1 基于邊緣的分割方法
    1.2 基于區(qū)域增長的分割方法
    1.3 基于圖割能量最小化的分割方法
2 放療中圖像分割的研究進展和應用
    2.1 手動勾畫
    2.2 基于圖譜庫的自動勾畫
    2.3 基于深度學習的自動勾畫
        2.3.1 卷積神經(jīng)網(wǎng)絡
        2.3.2 全卷積網(wǎng)絡
        2.3.3 U-Net網(wǎng)絡
3 結(jié)語


【參考文獻】：
期刊論文
[1]一種結(jié)合多種圖像分割算法的實例分割方案[J]. 詹琦梁,陳勝勇,胡海根,李小薪,周乾偉.  小型微型計算機系統(tǒng). 2020(04)
[2]采用圖割算法的含風電電網(wǎng)動態(tài)分區(qū)備用配置[J]. 黃煜,徐青山,許彪,呂亞娟.  中國電機工程學報. 2020(12)
[3]一種改進FCN的肝臟腫瘤CT圖像分割方法[J]. 段杰,崔志明,沈藝,馮威,吳宏杰,馮雨晴.  圖學學報. 2020(01)
[4]大數(shù)據(jù)視角下的醫(yī)學影像技術的發(fā)展與應用探究[J]. 李曉華.  科學技術創(chuàng)新. 2020(04)
[5]基于3D卷積神經(jīng)網(wǎng)絡的腦腫瘤醫(yī)學圖像分割優(yōu)化[J]. 曹祺煒,王峰,牛錦.  現(xiàn)代電子技術. 2020(03)
[6]MR-PWI在鼻咽癌放療靶區(qū)勾畫中的應用價值[J]. 張白雪,譚葉,陸靜鈺,王效軍,陸海軍.  腫瘤預防與治療. 2020(01)
[7]基于深度學習的復雜背景圖像分類方法研究[J]. 程俊華,曾國輝,劉瑾.  電子科技. 2020(12)
[8]醫(yī)學圖像分割方法研究[J]. 董默,劉博強,李洪義,趙若晗.  信息記錄材料. 2020(01)
[9]圖像經(jīng)典邊緣檢測算子的研究與比較[J]. 陳浩.  電腦編程技巧與維護. 2019(12)
[10]基于Sobel算子濾波的圖像增強算法[J]. 王云艷,周志剛,羅冷坤.  計算機應用與軟件. 2019(12)

博士論文
[1]基于機器學習的醫(yī)學影像分割關鍵問題研究及其在腫瘤診療中的應用[D]. 秦文健.中國科學院大學(中國科學院深圳先進技術研究院) 2019



本文編號：3458138