醫(yī)學(xué)影像的智能化處理與分析旨在利用智能化的技術(shù)手段對醫(yī)學(xué)影像進行自動分析處理,為臨床醫(yī)護人員提供參考和幫助,減少醫(yī)生因經(jīng)驗不足、工作繁重等因素而導(dǎo)致的漏診、誤診問題的發(fā)生,提高醫(yī)生的工作效率。近年來,隨著以深度學(xué)習(xí)為代表的人工智能技術(shù)迅速發(fā)展,醫(yī)學(xué)影像的識別速度和準(zhǔn)確度都實現(xiàn)了很大提升,深度學(xué)習(xí)技術(shù)已在皮膚、大腦、胸腹部器官等醫(yī)學(xué)影像的自動分析中有了初步的落地應(yīng)用,醫(yī)學(xué)影像的智能化處理與分析已成為智慧醫(yī)療領(lǐng)域最受關(guān)注、發(fā)展最快的方向之一。耳部器官是人體頭頸的重要組成部分,在感受聽覺與協(xié)助身體維持平衡有重要作用,耳部健康是影響人們生活質(zhì)量的重要因素。影像學(xué)是現(xiàn)代耳部疾病診療技術(shù)的重要手段。相較于其他醫(yī)學(xué)影像,耳部結(jié)構(gòu)復(fù)雜而精密,成像區(qū)域極小,個體差異較大,并且樣本數(shù)據(jù)的匱乏,這都給開展耳部的智能化處理與分析帶來了諸多挑戰(zhàn)。本文面向首都醫(yī)科大學(xué)附屬北京友誼醫(yī)院放射科對耳部CT影像自動化處理與分析的實際臨床需求,以深度學(xué)習(xí)作為主要技術(shù)手段,開展了基于CT影像的人耳智能化處理分析技術(shù)研究。本文的研究內(nèi)容主要包含以下三個部分:⑴提出了一種面向CT容積影像的人耳圖譜構(gòu)建框架。在臨床診斷、治療和科研...

【文章頁數(shù)】：92 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景
    1.2 研究意義
    1.3 論文的研究內(nèi)容
    1.4 論文的結(jié)構(gòu)安排
第2章 醫(yī)學(xué)影像智能化處理分析技術(shù)研究進展
    2.1 引言
    2.2 醫(yī)學(xué)影像圖譜的研究進展
        2.2.1 大腦圖譜
        2.2.2 耳部解剖圖譜
    2.3 醫(yī)學(xué)影像分割技術(shù)研究進展
        2.3.1 傳統(tǒng)分割方法
        2.3.2 FCN分割網(wǎng)絡(luò)
        2.3.3 基于編碼器-解碼器結(jié)構(gòu)的圖像分割網(wǎng)絡(luò)
        2.3.4 Deeplab系列分割網(wǎng)絡(luò)
    2.4 醫(yī)學(xué)影像智能化分析技術(shù)研究進展
        2.4.1 傳統(tǒng)分析方法
        2.4.2 基于深度學(xué)習(xí)的醫(yī)學(xué)影像智能化分析
        2.4.3 幾種常用的深度神經(jīng)網(wǎng)絡(luò)
    2.5 本章小結(jié)
第3章 基于CT影像的3D正常人耳圖譜創(chuàng)建
    3.1 引言
    3.2 正常人耳CT影像樣本數(shù)據(jù)的采集
    3.3 人耳CT影像的規(guī)范化多平面重建
    3.4 耳部關(guān)鍵結(jié)構(gòu)的體素級標(biāo)注
    3.5 耳部關(guān)鍵結(jié)構(gòu)的描述性統(tǒng)計分析
        3.5.1 容積數(shù)據(jù)統(tǒng)計分析
        3.5.2 空間數(shù)據(jù)統(tǒng)計分析
    3.6 基于統(tǒng)計分析結(jié)果的3D正常人耳圖譜創(chuàng)建
    3.7 本章小結(jié)
第4章 基于多維度深度特征融合的前庭結(jié)構(gòu)分割
    4.1 引言
    4.2 多維度深度特征融合網(wǎng)絡(luò)的架構(gòu)設(shè)計
    4.3 深度特征融合策略
        4.3.1 面向不同感受野的卷積特征融合
        4.3.2 基于注意力機制的特征通道融合
        4.3.3 編碼器-解碼器的特征融合
    4.4 實驗結(jié)果與分析
        4.4.1 數(shù)據(jù)集與分割結(jié)果評價指標(biāo)
        4.4.2 數(shù)據(jù)樣本擴充對分割性能的影響
        4.4.3 不同的深度特征融合策略對分割性能的影響
        4.4.4 網(wǎng)絡(luò)訓(xùn)練及后處理操作
        4.4.5 本文方法與其它方法的比較
    4.5 本章小結(jié)
第5章 基于深度分割特征遷移學(xué)習(xí)的前庭畸形識別
    5.1 引言
    5.2 基于深度分割特征遷移學(xué)習(xí)的前庭畸形識別整體框架
    5.3 基于預(yù)訓(xùn)練模型的遷移學(xué)習(xí)
    5.4 基于深度分割特征的遷移學(xué)習(xí)
    5.5 實驗結(jié)果與分析
        5.5.1 數(shù)據(jù)集與性能評價指標(biāo)
        5.5.2 預(yù)訓(xùn)練模型對識別性能的影響
        5.5.3 深度分割特征遷移對識別性能的影響
        5.5.4 本文方法中兩種遷移學(xué)習(xí)策略的比較
    5.6 本章小結(jié)
結(jié)論與展望
參考文獻
攻讀碩士學(xué)位期間完成的成果
攻讀碩士學(xué)位期間參加的科研項目
致謝



本文編號：3895020