一、一种提取医疗图像中血管轮廓的简单方法（论文文献综述）
李晓晨[1]（2021）在《弱边界跟踪与肺部肿瘤分割方法研究》文中认为肺癌是威胁人类生命健康的恶性肿瘤之一。计算机断层扫描（CT）技术在肺癌的早期筛查、诊断和临床治疗等过程中发挥着至关重要的作用。但是CT图像中信息丰富,如何检测到感兴趣区域并准确地分割肿瘤仍然是计算机辅助诊断领域的一个难题。针对CT图像的处理以及肿瘤分割,由于不同肿瘤之间的特征各有不同,尤其是部分肿瘤的生长会对周围组织产生排挤,导致肿瘤的部分区域未在正常肺实质轮廓内,极大地增加了肿瘤分割的难度。本文研究了不同肺肿瘤的特征并针对各个类型的肿瘤设计了相应的肺实质分割、肺实质轮廓凹陷修复和肺肿瘤分割等方法,主要研究内容如下:（1）为了提高图像处理的效率,设计了一种针对肿瘤感兴趣区域的自适应检测方法。将含有肿瘤的感兴趣区域映射到CT原图或完整的肺实质图像中,将全局的图像处理降低成局部的图像处理,有益于后期的肺实质边界修复及肿瘤分割。首先将灰度直方图与大津法相结合,实现快速的肺实质初提取,并用滚球法对其进行处理以实现含凹陷的肺实质轮廓初修复操作;然后基于图像的灰度信息进行肿瘤定位;最后依据肿瘤的大小信息自适应调整感兴趣区域的窗口大小。（2）针对周围型肿瘤的粘连问题,设计了一种基于定向性边缘跟踪算法的肿瘤弱边界提取方法。周围型肿瘤的粘连行为会导致弱边界的形成,而将正常肺实质轮廓近似为肿瘤弱边界的方法存在误差,这种误差在肿瘤侵入被粘连组织的情况下会因丢失部分肿瘤区域而被放大。本文从图像最基本的灰度信息出发,将梯度信息与肿瘤的位置信息相结合,从肺实质的强边界开始逐步搜索肺实质边界,直至跟踪到肿瘤的弱边界,并利用非极大值抑制进行边界矫正,最终实现对肿瘤弱边界的提取,达到以最接近真实的肿瘤弱边界对肺实质轮廓的凹陷处进行修复。（3）研究针对不同类型肿瘤的分割方法,设计了一种融合形态学处理的自适应区域生长算法。区域生长算法中种子点的数量及分布影响着分割的准确性,因此本文利用形态学处理在肿瘤区域的边缘内侧均匀选取种子点以实现肿瘤的自动分割,并将膨胀后边缘作为区域生长的限制范围,减少生长泄露情况的发生,提高肿瘤分割的准确率。
张文真[2]（2021）在《基于血管内超声的冠状动脉病灶智能检测技术及应用》文中提出随着医疗技术的不断发展,医学影像逐渐变成为医生提供可靠依据的关键。而在新的时代里,人工智能技术也在不断进步,涌现出了大量的优秀算法,如何利用复杂的机器学习（Machine Learning,ML）或深度学习（Deep Learning,DL）模型来对医学影像中蕴含的病灶区域进行检测和分割,就成为了许多研究者关注的重点。近年来,由于深度学习的迅猛发展,使得包括医学图像在内的图像分割领域取得空前发展,而如何在研究图像分割算法的同时,使其能够应用于辅助诊断的实际中就成为了一个热门话题。由于目前关于血管内超声（Intravascular Ultrasound,IVUS）图像的公开数据集很少,如何构建血管内超声图像数据集,而且数据集还需要有专业的评估和标签,这就成为了在图像分割算法研究过程中的一大挑战。同时,由于血管内超声图像为灰度图像,而且没有像自然图像那种具有明显的边界特征和均匀的像素区域,这使得算法的特征提取面临着极大的困难。如何构建能有效进行特征提取的内外膜分割模型就变得尤为关键。而在医生临床诊疗过程中,在获得患者的血管内超声图像后,医生不仅要通过观察图像来判断患者的病情,还需要根据血管内超声图像计算出图像中隐含的一些关键临床参数指标,例如斑块负荷,重构指数,偏心指数等。这些指标可以评估冠状动脉粥样硬化斑块的严重程度和脆弱程度,使医生对患者的病情状态有一个更加清晰的认识,有利于医生对冠状动脉粥样硬化性心脏病的精确诊断和进行有针对性的手术治疗。而血管内超声图像中隐藏的大多数信息都需要由医生手动注释,并通过专业的参数计算工具获得,这对于医生来说既费时又费力,如何利用图像分割算法简化医生的工作成为了目前面临的另一挑战。针对上述挑战,本文研究了基于血管内超声的冠状动脉病灶智能检测技术,并在此基础上研发了用于冠状动脉病灶智能检测的计算机辅助诊断系统（Computer Aided Diagnosis System,CADS）,这对与医生的临床诊断过程具有重大的意义。本文工作主要有以下三个:（1）针对血管内超声图像的公开数据集稀少的问题,本文使用了从山东大学齐鲁医院采集的真实患者的IVUS图像数据,在临床上具有显着的代表性。数据集中包括十多位病人的5242张血管内超声图像及其对应的心内科医生或医学生提供的内外膜分割的金标准,保证了数据集的有效性和规范性。本文还构建了 IVUS图像参数计算数据集,其样本量较少,包含了由心内科专家手动注释的383张图像,其中211个非连续帧图像和172个连续帧图像的相关参数,作为系统参数计算的金标准。（2）针对医学图像的复杂性问题,本文对比了在自然图像分割中表现优秀的模型效果,发现U-net的表现较好,因此,本文利用主动轮廓模型、基于强度变化的边缘算子和K-means聚类算法进行先验知识的特征提取,以U-net为网络框架,使用注意力机制代替U-net网络中skip结构,构建了针对血管内超声图像的分割模型。在分割模型输出分割结果后,依据分割结果使用相关参数计算方法对10种临床参数指标进行计算,为辅助医生的临床诊断提供依据。在构建的IVUS图像分割数据集上进行验证,血管内超声图像分割模型的mIoU值达到了最高的0.8616,验证了模型的有效性。（3）由于最终的目的是为医生提供实际的辅助诊断,所以研发了用于冠状动脉病灶智能检测的计算机辅助诊断系统,系统主要包括了 DICOM文件解析、IVUS图像分割、分割结果修改、参数计算,结果存储、系统状态显示、显示类型转换七个功能模块,可以在很大程度上简化医生的诊疗过程,提高医生的诊疗效率。其中的分割结果修改模块可以实现对图像分割算法的反馈,为算法优化提供数据支持。
罗宇豪[3]（2021）在《基于生成对抗网络的视网膜影像分析研究》文中提出视网膜是全身唯一能够利用可见光进行无创观测的器官,通过对视网膜影像的分析可以实现对大量眼科和全身性疾病的早期筛查、诊断与防治,帮助患者避免致盲的风险。近年来,由于深度学习强大的特征提取能力,大量深度学习网络被应用于视网膜影像分析领域,并取得了出色的效果。基于深度学习的视网膜影像分析技术能够获得更为客观的诊断结果,从而辅助医生进行更为精确的诊断。然而,该技术的发展仍面临着一定的阻碍,例如:专家精确标注的数据少和缺乏成对数据集等问题,限制了深度学习在视网膜影像分析中的应用。本研究结合了视网膜影像独有的特征,创新性的设计构建了三种生成对抗网络结构并结合针对设计的损失约束,克服了部分深度学习应用于视网膜影像分析领域的阻碍。本文的具体内容与创新如下:（1）设计构建了一种针对新生儿视网膜出血点分割的配对生成对抗网络,并提出了一个全新的定量化新生儿视网膜出血点分级标准。考虑到目前缺乏定量化分级标准用以指导新生儿出血点的质量,本文创新性的将构建的用于出血点图像生成的生成对抗网络与分割网络相结合应用于新生儿视网膜出血领域,克服了精确出血点标注图像数量少等阻碍。本算法以本文设计的配对生成对抗网络为框架,仿真得到了大量含有对应出血点标注的视网膜影像,扩增了出血点分割网络的训练数据集,实现了对图像中出血点的高精度分割。随后,本文基于出血点与视盘的定量化比值,以及构建的基于主血管弓的黄斑危险区定位算法对黄斑危险区的定位,定义了一种全新的定量化新生儿视网膜出血点分级标准。（2）研究开发了一种面向视网膜图像的通用不配对生成对抗网络,实现了对白内障视网膜图像的高质量去雾,克服了现有视网膜图像由于缺失成对的数据而无法进行网络训练的困难,去雾后的图像能够帮助医生实现对白内障患者其他眼科相关疾病更好的诊断。本算法利用不成对的白内障和清晰视网膜图像,结合本文针对视网膜图像独有特征所设计的两种损失约束,巧妙的构建了一个面向视网膜图像通用的不配对生成对抗网络。该网络能够输出既保有了与输入视网膜图像一致主干结构,同时又融合了白内障视网膜中雾特征的类似白内障视网膜图像。随后本算法利用该数据对,有监督地训练了另一个去雾网络,实现了对白内障图像的去雾。本文创新性的利用数学模拟法得到的类白内障图像作为网络先验,并结合多尺度判别网络结构以及针对性设计的两种损失约束,能够在实现不成对数据训练的同时,有效的抑制去雾后结果中的血管状伪影以及提升主干结构的对比度。本研究还设计了两种全新的面向视网膜图像主要特征的无参图像质量评估指标,以衡量主干结构的对比度与血管状伪影的程度。相较于现有的去雾算法,本算法在取得了出色去雾效果的同时,还有效抑制了血管状伪影的存在。（3）创新性的提出了一种面向多光谱成像系统重建结果通用的三维超分辨生成对抗网络,实现了在不改变光谱曲线情况下的多光谱图像超分辨。本文首先搭建了一个计算层析成像光谱系统,该系统能够通过瞬时拍摄的方式,结合重建算法得到多光谱三维数据立方体。随后,针对该系统三维多光谱重建结果空间分辨率低的局限性,创新性的提出了一个通用的多光谱三维超分辨生成对抗网络。针对于多光谱重建结果的特点,该网络利用三维卷积、打乱输入光谱顺序、光谱维度均值化滤波等多种创新的方式充分融合了不同光谱之间的关联信息,出色的实现了多光谱图像的超分辨,并去除了图像中的噪声。此外,本文通过构建光谱角损失约束的方式保证了网络输出前后在光谱曲线上的一致性。本文初步解决了困扰真实计算层析成像光谱系统无法投入实际使用的瓶颈问题。
郭晓宇[4]（2021）在《医学图像中的血管分割算法研究》文中研究说明血管作为血液的运输通道遍布全身,对维持人体正常的生理机能有着非常重要的作用。随着医学影像技术的不断发展,各种针对血管的医学成像方式相继被提出,这让医生能够通过非介入的方式提前了解病人病灶区域的血管信息,对临床诊断、手术规划和手术仿真等有着重要的辅助意义。目前,血管影像需要医生逐切片手工勾勒才能实现血管分割,这是大量重复而且繁琐的工作。对于这一问题,运用计算机图像处理算法实现血管自动分割是一个很好的解决方式。实现血管自动分割不仅能够减轻医生的工作量,而且分割结果更加客观,甚至能够达到或超越手工分割血管的精度,有助于实现计算机辅助医疗。本文研究了视网膜血管、脑血管和肝脏血管的成像特点,分别提出了三种血管分割算法。具体内容和创新点总结如下:1、针对二维视网膜血管图像,提出了一种基于Dense-U-net和Inception模块（DI-U-net）使用生成对抗网络的策略进行训练的视网膜血管分割算法。在网络模型中,对基础的U-net模型进行了两方面的改进:（1）用Dense Block代替跳跃连接,实现浅层特征图和深层特征图的充分融合;（2）用Inception模块代替传统的卷积运算,从而能够提取不同尺寸的卷积核所对应的血管特征。在训练过程中,把DI-U-net作为GAN的生成器,然后再构建一个多层神经网络作为判别器,进行交替训练。整个算法在公开的视网膜血管数据集（Digital Retinal Images for Vessel Extraction,DRIVE）上进行了验证,其中DSC 达到 82.15%,AU-ROC 和 AU-PR 分别达到 0.9772 和 0.9058。实验表明,该算法能够实现视网膜血管的自动分割。2、针对时间飞跃法磁共振脑血管造影图像,提出了一种基于Multiple-U-net（M-U-net）脑血管分割算法。首先,对原始的TOF-MRA图像以体数据为单位进行归一化预处理,然后,按照横截面、矢状面和冠状面分别把三维TOF-MRA数据分为3组二维切片数据集,并分别训练3个Single-U-net模型。最后,对3个不同方向的U-net的预测结果进行投票特征融合和基于连通域分析的后处理。从公开的MIDAS数据集中选取了 95组脑血管MRA数据,其中20组作为训练集,5组作为验证集,剩下的70组平均分为10个测试集。通过分析模型在验证集上的表现,确定最优的Epoch和其他超参数。实验表明,我们提出的M-U-net算法在验证集和测试集上的DSC分别达到了 88.60%和87.93%,其性能优于任何的Single-U-net。与己有的其他算法相比也达到了先进水平。3、针对计算机断层扫描肝脏血管造影图像,提出了一种基于三维图割、中心线提取和断支重连的肝脏血管分割算法。首先,对腹部CT图像进行了血管增强滤波和降噪处理,用于增强肝脏内血管区域和非血管部分的灰度对比度。然后,使用三维图割算法对肝血管进行初始分割,并用细化算法提取出初始分割结果的血管中心线。再进一步,对血管中心线端点进行拟合方向和连接配对,获取完整的血管中心线树。最后,基于血管半径和血管中心线树对初步分割结果中断裂的部分进行补全,获取血管分割的最终结果。我们在公开的肝脏影像数据集（3D Image Reconstruction for Comparison of Algorithm Database,3DIRCADB）上验证了算法的有效性,其中准确性达到了 97.8%、敏感性达到了 66.2%、特异性达到了 98.7%。从二维图像到三维图像,从低噪声干扰到高噪声干扰,本文递进式地提出了不同的分割算法以适应不同的血管影像数据。所提出的三种血管分割算法分别在不同的公开数据集上进行了测试,也分别与已有的算法进行了横向对比,验证了算法的有效性。同时,我们所提出的三种算法也进行了递进式的纵向对比,说明了三种算法对于不同特点的血管影像具有针对性的良好表现。
李振东[5]（2021）在《心脑血管介入手术机器人系统交互控制关键技术研究》文中研究指明步入新世纪以来,人们的生活水平在飞速提高。与此同时,人群中患有高血压,高血脂的现象越来越普遍,心脑血管疾病的患者也在日益增长,严重威胁着人们的身体健康。有关数据统计,在中老年人群中,心脑血管疾病的致死率在各项疾病中常年排列第一,而且仍有不断增长的趋势。在当前的医学技术中,针对心脑血管疾病最有效的治疗方案是采取血管介入手术。然而目前在血管介入手术过程中仍然存在着很多问题需要解决。首先,介入手术的送丝过程耗时较长。一场介入手术往往需要好几个小时才能完成,且整个手术过程中均需要医生精神高度集中来进行精细操作,这无疑会对医生的体力造成极大耗费。此外,医生在手动操作导丝进行推送时,效率较低,想要把导丝送至目标病灶位置往往需要经过多次的操作尝试才能完成。最后,为了获取到患者的血管轮廓信息,手术室内需要利用X射线多次进行照射,为了避免X射线对医生造成辐射伤害,医生在整个手术过程中均需要穿戴厚重的铅服,进一步加重了医生的手术负担。心脑血管介入手术机器人系统的出现无疑很好的解决了该问题,通过对介入手术机器人的操作,手术医生可以不再进入到手术室内,避免了 X射线的辐射伤害。此外,介入手术机器人的高精度操作可以有效的提高手术效率,降低医生的操作负担。本文主要针对血管介入手术机器人系统的交互控制这一问题进行研究。首先,本文对传统的心脑血管介入手术过程进行介绍,在整个复杂的手术过程中提炼出两个关键性操作:对导丝的推送与旋捻。随后,对患者的DSA造影序列进行分析。通过Hessian矩阵与变尺度参数的高斯滤波器结合的方法来对每一帧下的血管造影图像进行加强;通过Frangi滤波器来对血管图像进行进一步分割;通过图像融合的方法获取当前时刻下血管的整体轮廓图。为后续求理想送丝路径、血管介入自主操作模式与主从控制模式做准备。其次,针对在送丝过程中血管无堵塞、复杂分支等简单场景,提出了一种基于贪婪准则的从端自主送丝算法。利用图像骨架提取算法在血管轮廓图像中提取出一条理想的送丝路径,把如何将导丝推送至病灶位置这一总问题转化为一系列的如何将当前时刻下导丝旋转至最接近理想送丝路径子问题。利用拉格朗日乘子法不断对当前子问题进行局部最优求解,把所有获得的局部最优解求和以获取原问题的整体最优解。最后在MATLAB中进行仿真模拟实验,将实际的送丝路径与理想送丝路径进行对比,验证该方法的有效性。再次,针对血管分叉过多、血管堵塞等复杂手术场景,从端自主送丝算法难以完成自主送丝任务时,提出一种基于遥操作双边控制的主从送丝算法。通过对传统的遥操作双边PD控制算法进行分析,针对该方法在从端自由运动状态与非自由运动状态控制器参数要求互为冲突这一问题,设计一全新的控制方案,使其根据从端环境的变化来自主切换相应的控制模式。对该方法进行稳定性与透明性分析后,在MATLAB的Simulink环境中进行了仿真实验。最后,搭建了血管介入送丝机器人装置实验平台。通过操作手控器来实现对从端的精准控制,将导丝推送至预先设定的目标位置,验证了本文提出方法的有效性。
刘博[6]（2021）在《基于活动轮廓模型的图像分割算法研究》文中研究指明图像分割是图像处理领域和计算机视觉领域中的关键技术之一。活动轮廓模型分割法因在医学图像等复杂图像的分割中取得了较好的分割效果而被广泛应用。医学图像大多为灰度不均的且含噪声的图像,基于区域的局部二值拟合活动轮廓模型有效解决了该类型图像的分割问题,但该模型中存在水平集函数演化效率低、分割效果易受噪声影响以及初始轮廓敏感等问题。本文针对以上问题进行改进并做出仿真,具体工作如下:1.针对模型分割效率低和易受噪声影响的问题,提出一种基于局部区域信息的固定水平集法:通过对符号距离函数的改进,使用固定距离替代点到曲线的真实距离,简化了符号距离函数初始化过程的计算复杂度,提高了演化效率。同时对符号距离函数的梯度计算进行定义,决定了水平集算法中符号距离函数仅在零水平集曲线周围小范围窄带内发生变化。因此只需计算窄带内的像素点而无需对所有点进行计算,极大减少模型计算量,进一步提高效率。最后针对模型提出收敛条件,减少模型演化所需时间。在符号距离函数初始化前采用高斯函数对其进行规则化来平滑噪声,提高模型抗噪性从而改善分割效果。2.针对模型对初始轮廓敏感的问题,提出一种基于局部同向拟合的改进方法:对曲线演化相反方向的局部区域交换拟合值来确保分割曲线均沿着目标区域轮廓内边界或外边界演化而不停留在目标区域内部造成错误分割。降低模型对初始轮廓的敏感程度,改善了分割效果。本文在理论研究与实践相结合,将以上改进方法应用到医学灰度不均图像的分割实验中,并取得了良好的分割结果,以此证明了提出方法的有效性。医学图像分割效率和效果的改善有助于医疗问诊与医学研究,因此本文研究内容具有一定应用价值。
郭睿[7]（2021）在《基于U型神经网络模型的眼底图像目标分割方法研究》文中指出随着深度神经网络技术的不断发展,使用深度学习处理医学图像逐步成为医学图像处理研究领域中的热点问题。其中彩色眼底图像是眼科疾病筛查中一类较为常见的医学图像,它主要包括了视盘、视杯、血管和黄斑区等结构,这些结构的形态可以为某些疾病提供重要的诊断依据,如视杯与视盘的直径比值可以用于青光眼的诊断,出血、渗出、微血管异常等可以作为糖尿病的诊断依据,视网膜动脉病变可能是高血压的症状之一。为了准确地判读眼底图像以做出相应的医疗评价,就需要准确地对眼底图像中的视盘、视杯和血管等结构进行分割。然而,人工判读眼底图像十分依赖医生的经验,时间和人力成本较高。基于以上原因,通过深度学习的方式对眼底图像中的重要结构进行高精度地分割,对于诊断眼底疾病有十分重要意义。本文在国内外研究的基础上对眼底图像中的视盘、视杯和血管的分割方法进行了研究。主要的研究内容包括3点:基于U型神经网络的视盘与视杯分割方法研究。本文首先开展了对视盘与视杯的分割方法研究,针对现有的分割方法中图像信息丢失问题,提出了基于注意力机制的池化模块,随后基于该模块结合U型神经网络结构设计了眼底图像分割网络——APUNet用于视盘与视杯分割,最后在公开的数据集上充分进行实验,实验结果证明本文提出的APUNet可以准确地拟合视盘、视杯的轮廓,并生成视盘、视杯的分割预测结果图像。基于U型神经网络的血管分割方法研究。本文随后在视盘视杯分割方法的基础上对血管分割方法进行了探讨,针对现有的分割方法无法对血管末梢准确分割的问题,提出了基于图像裁切的血管分割流程,并进行了实验验证,生成了血管分割预测结果图像。通过实验结果对比,验证了本文所提出的血管分割方法可以较为准确地分割眼底血管结构,并且分割效果超越了现有的分割方法。基于迁移学习的眼底分割网络性能优化方法研究。最后本文还研究了基于迁移学习的网络训练优化方法,针对眼底图像分割网络训练过程中模型收敛速度慢、模型训练不够稳定的问题,提出了3种不同的迁移策略并进行了实验验证,加快了眼底图像分割网络收敛速度并进一步提升网络分割的精度。
唐渝[8]（2021）在《基于深度学习的肺结节分割算法研究》文中认为肺癌是我国发病率和死亡率最高的疾病,近几年发病率仍有继续增长的趋势,严重影响着我国人民的健康状况。肺癌早期没有明显的表征,当出现病症时绝大部分患者都已处于晚期阶段,即使花费大量的医疗资源,其预后的存活率仍然较低。肺癌早期阶段在影像学上主要以结节的形式存在。肺癌的早期筛查可及早的发现病情,以较低的医疗成本换取病人较高的存活率。因此,早期筛查对肺癌的治疗具有极为重要的意义。本文针对结节的特征以及已有深度学习网络的缺点,以研究高精度肺结节分割算法为研究目标提出新的肺结节分割模型,并使用LIDC-IDRI肺结节公开数据集中不同类型的肺结节来验证模型的分割性能。主要内容如下:（1）提出了肺部CT图像预处理方式。首先将原始图像使用高斯滤波和中值滤波对图像去噪,并将图像分为训练集和验证集,并使用平移、镜像、旋转、缩放等方法对训练集进行增广,根据XML文件结构及读取原理提取专家标注的结节轮廓,为后续的实验提供实验数据。其次针对CT图像的特征使用图像标准化、K-Means算法、形态学操作等一系列算法获取肺实质Mask,并利用肺实质Mask获取完整的肺实质区域。（2）针对U-Net及其变形的肺结节分割算法连续下采样次数较多,使得肺结节轮廓特征信息丢失严重的问题提出了Res Wnet网络。通过将单个连续4次下采样的编码-解码的结构调整为两组连续2次下采样的编码-解码的网络结构,使网络中保留更多的特征信息,并提取更深层次的语义信息;使用图像金字塔模块从网络左侧输入不同尺度的特征图像,提高网络对不同尺度结节的灵敏度;并将不同层次、尺度、感受野的特征图像进行融合后分割,加深网络对结节区域和非结节区域的感知能力。使用LIDC-IDRI数据集对各模块组成的网络进行消融实验,并确定网络的最终结构。将U-Net与Res Wnet对不同种类结节的分割结果进行对比,结果表明Res Wnet网络对各种结节的分割性能均优于U-Net。证明通过减少连续下采样次数,增加编码和解码路径的方式对提高肺结节的分割精度的有效性。（3）针对U-Net及其变形的肺结节分割算法特征图像传播路径较少、特征图像利用率低的问题提出了Res Blocknet。Res Blocknet与U-Net及其变形结构相比有更多的特征传播路径,并能充分利用上下文特征信息。图像金字塔模块将不同尺度的特征图像输入网络,提高网络对结节的灵敏度;改进的残差块能将局部不同层次的特征信息进行融合;融合1模块使用Dense跳连的思想将特征进行融合,能充分利用上下文特征信息的关联性,学习到结节与非结节的特征信息;使用融合2模块,可提高网络对低对比度或边缘模糊型结节的分割效果。使用LIDC-IDRI数据集对各模块组成的网络结构进行消融实验,以确定Res Blocknet的最终结构。通过分析Res Blocknet对不同种类结节的分割结果,验证了网络对各类肺结节均具有较好的分割效果。同时,通过对同一张CT图像含有多个不同类型的结节进行分割,验证了网络对含有多个不同种类结节CT图像的分割具有较强鲁棒性。
周宇[9]（2021）在《糖网图像病变检测与分级技术研究》文中提出糖尿病视网膜病变（diabetic retinopathy,DR）是糖尿病最主要的并发症之一,在早期发现DR并对其进行针对性治疗,对保护患者的视力极为重要。本文基于彩色眼底图像与荧光造影图像,对眼底图像的各类生理结构的分割与多类型DR病变的检测进行了研究。实现病变的检测后,依据图像中出现病变的类型对DR进行分级,实现了高性能的DR病变检测与分级辅助诊断系统,主要研究内容如下。（1）采用了一种基于形态学的血管分割方法,并研究了血管特有的散度特征,对细小血管的分割进行了优化,实现了快速有效的血管分割。为进一步优化荧光造影图像的血管分割结果的连续性,提出了一种基于Radon变换的高连续性血管分割算法,利用重叠滑动窗口保证了血管的连续性,并基于线性结构不同角度的Radon变换峰值分布特性实现了子图血管的自适应阈值分割,在e-optha上达到了95.82%的准确率。此外,在视盘分割方面,采用了一种基于血管分割结果进行模板滤波的视盘定位方法,并利用SLIC超像素分割实现了对视盘的精细分割。（2）病变检测中,针对荧光造影图像,基于类圆形结构的Radon变换特性实现了微血管瘤的检测。此外,提出了一种基于SIFT和RANSAC算法对不同时刻的荧光造影图像进行配准,并通过荧光扩散差异检测新生血管的方法。针对彩色眼底图像,采用了基于数学形态学的渗出检测方法。为取得更好的检测效果,采用了基于马氏距离与局部线性回归的渗出检测方法,该算法具有更好的检测率。最后,基于SLIC超像素分割和特征差异实现了硬渗软渗分类方法。本文算法对各类病变都取得了较好的检测指标。（3）为进一步优化微血管瘤及新生血管的检测率,提出了两类图像的病变检测结果的联合分析方法。首先实现了两类图像的高精度配准,进而将荧光造影图像的病变检测结果映射到彩色眼底图像,依据红色分量强度对误检区域去除,优化了基于单类图像的检测率。此外,还利用新生血管的检测结果对微血管瘤的检测结果进行了进一步优化。应用了联合分析的图像平均查准率上升了3.42%,F-score值上升了0.90%。最终,基于检测结果中出现的病变类型对DR进行分级,实现了高性能的DR图像病变检测与分级系统。
余小梅[10]（2020）在《基于云平台的医学图像分割交互式系统》文中进行了进一步梳理医学图像解剖结构的分割在医学辅助诊断中起到重要的作用。在近三十年来的时间里,已经有大量的交互式三维分割的方法被研究出来,目前多数交互式分割算法直接操作于三维数据空间,并且利用了图像的所有空间信息。与通过全手动逐层圈图的得到的标准结果,常常能得到90%以上的重叠率。然而,直接对三维体数据分割的方法,较难进一步提高分割精确度。尤其对于边界对比度不明显的器官/组织边界,虽然和金标准相比,只是为了提高10%以下的Dice值,但常常需要逐层重新修改。因此,累计的所有时间相对于全手动分割并没有优化。从根本上说,许多图像,尤其是医学图像,处于三维或更高维中。分割算法可以在三维环境下运行,但由于屏幕和鼠标的限制,只能在二维环境下与图像进行交互并产生结果。此外,由于用户在二维的整体控制能力,二维图像标注可以做到任意精度。其次,现有交互式分割算法多数只能运行于工作站单机上。这要求整个体数据全部位于此工作站上,不能保证图像数据的安全,容易泄露病人的隐私。针对上述问题,本文首先设计一种以低维交互式分割协作重建高维分割的方法,它一方面能充分利用整个三维或更高维空间的体数据信息,但另一方面,又兼顾二维分割的对结果的完全可控性。如果可以在医疗机构架设云平台,供医生使用,体数据存在于云平台上,算法布置在云端。需要分割时,由此云平台将低维数据分发到不同客户端。客户端进行上述交互式分割之后,再汇总到云平台,采用算法对各客户端的低维分割结果进行融合。这一方面可以形成协作式交互分割,另一方面,同一个体数据可以发送到不同的客户端,使得任何一个客户端无法重建出整个体数据。这对于医学数据安全,也带来了更好的保障。沿着上述思路,本文研究了基于云平台的医学图像交互式分割的方法,具体工作包括以下方面:首先,本文提出以低维交互式分割协作重建高维分割的方法,用户标记得到二维切面的分割来指导高维的分割,利用基于多图谱的配准方法,把二维切面的分割配准到其余切面,得到整个高维体数据的分割。第二,将Grow Cut交互式分割算法,在浏览器页面中通过Web GL进行实现,最大限度利用客户端的软硬件资源,并最小程度依赖客户端的软件配置。第三,有了上述算法和实现作为基础,本文利用Python的Web框架——Flask,实现了基于云计算的协作式的交互式分割方法,使用户可以上传医学体数据并对其进行交互式分割。最后,在不同部位的医学图像数据上,针对不同器官进行了分割,能够得到不错的结果,并且在执行时间方面,与其他交互式分割工具进行了比较,分析得出在分割复杂组织结构时本工具有一定优势。这些算法的提出和软件架构的构造,为协作式交互图像分割和更具有数据安全性的医学图像分析标注具有实际意义。
二、一种提取医疗图像中血管轮廓的简单方法（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、一种提取医疗图像中血管轮廓的简单方法（论文提纲范文）
（1）弱边界跟踪与肺部肿瘤分割方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 论文研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 肺实质分割方法 |
| 1.2.2 肺实质轮廓凹陷修复方法 |
| 1.2.3 肺肿瘤分割方法 |
| 1.3 研究内容及主要工作 |
| 1.4 章节安排 |
| 第二章 肺部CT图像与肺肿瘤基础知识 |
| 2.1 肺部CT图像简述 |
| 2.2 肺肿瘤简述 |
| 2.3 本章小结 |
| 第三章 肺实质分割方法 |
| 3.1 图像滤波 |
| 3.2 肺实质初提取 |
| 3.2.1 图像分割理论 |
| 3.2.2 基于快速大津法的肺实质初提取 |
| 3.3 形态学处理 |
| 3.4 本章小结 |
| 第四章 肺实质轮廓凹陷修复方法 |
| 4.1 肿瘤感兴趣区域检测方法 |
| 4.1.1 管状组织滤波 |
| 4.1.2 自适应肿瘤感兴趣区域检测方法 |
| 4.2 含有边缘型肿瘤的肺实质轮廓凹陷修复方法 |
| 4.3 含有侵入型肿瘤的肺实质轮廓凹陷修复方法 |
| 4.3.1 边缘跟踪算法简述 |
| 4.3.2 定向性边缘跟踪算法 |
| 4.4 实验结果与分析 |
| 4.4.1 分割结果评估方法 |
| 4.4.2 实验分析与对比 |
| 4.5 本章小结 |
| 第五章 肺肿瘤分割方法 |
| 5.1 孤立型肺肿瘤分割方法 |
| 5.1.1 区域生长算法简述 |
| 5.1.2 基于自适应区域生长算法的肺肿瘤分割方法 |
| 5.2 中央型肿瘤分割方法 |
| 5.3 实验结果与分析 |
| 5.3.1 实验结果 |
| 5.3.2 结果分析 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文工作总结 |
| 6.2 工作展望 |
| 参考文献 |
| 致谢 |
（2）基于血管内超声的冠状动脉病灶智能检测技术及应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号说明 |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 计算机辅助诊断系统 |
| 1.2.2 医学图像分割算法 |
| 1.3 本文的主要研究内容和章节安排 |
| 第2章 相关技术概况 |
| 2.1 引言 |
| 2.2 系统开发相关技术概述 |
| 2.3 系统相关算法概述 |
| 2.3.1 主动轮廓线模型 |
| 2.3.2 K-means聚类算法 |
| 2.3.3 U-net |
| 2.3.4 注意力机制 |
| 2.4 本章小结 |
| 第3章 系统需求分析与设计 |
| 3.1 引言 |
| 3.2 需求分析 |
| 3.2.1 功能需求分析 |
| 3.2.2 非功能性需求分析 |
| 3.3 针对性的系统设计和功能架构 |
| 3.3.1 总体架构 |
| 3.3.2 功能架构 |
| 3.4 本章小结 |
| 第4章 IVUS图像分割模型与参数计算 |
| 4.1 引言 |
| 4.2 数据集描述 |
| 4.3 血管内超声图像分割模型 |
| 4.3.1 模型结构 |
| 4.3.2 评价指标 |
| 4.3.3 实验结果及分析 |
| 4.4 分割模型与参数计算融合 |
| 4.4.1 参数计算方法 |
| 4.4.2 评价指标 |
| 4.4.3 实验结果及分析 |
| 4.5 本章小结 |
| 第5章 计算机辅助诊断系统设计与实现 |
| 5.1 引言 |
| 5.2 开发和运行环境 |
| 5.3 系统界面及各功能模块的设计与实现 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士研究生期间研究成果 |
| 学位论文评阅及答辩情况表 |
（3）基于生成对抗网络的视网膜影像分析研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.1.1 视网膜影像分析技术概述 |
| 1.1.2 生成对抗网络在视网膜影像分析中的意义 |
| 1.2 生成对抗网络相关工作及研究现状 |
| 1.2.1 生成对抗网络概述 |
| 1.2.2 生成对抗网络的研究现状与发展 |
| 1.2.3 基于图对图的生成对抗网络 |
| 1.2.4 生成对抗网络在视网膜影像中的应用 |
| 1.3 论文主要研究内容和章节安排 |
| 1.3.1 论文主要研究内容 |
| 1.3.2 论文结构安排 |
| 第2章 基于配对生成对抗网络的出血点分割算法及分级标准 |
| 2.1 引言 |
| 2.2 相关工作 |
| 2.2.1 图像数据扩增方法 |
| 2.2.2 医学影像分割算法 |
| 2.2.3 现有出血点分级标准 |
| 2.3 基于配对生成对抗网络的出血点分割算法 |
| 2.3.1 基于高斯模糊的预处理方法 |
| 2.3.2 配对生成对抗网络出血点扩增算法 |
| 2.3.3 出血点分割网络 |
| 2.4 出血点定量化分级标准制定 |
| 2.4.1 黄斑危险区定位算法 |
| 2.4.2 出血点定量化分级标准 |
| 2.5 实验结果 |
| 2.5.1 数据集 |
| 2.5.2 预处理结果 |
| 2.5.3 出血点视网膜图像扩增结果 |
| 2.5.4 分割网络结果 |
| 2.5.5 新的分级标准结果展示 |
| 2.6 讨论 |
| 2.7 本章小结 |
| 第3章 基于不配对生成对抗网络的白内障去雾算法研究 |
| 3.1 引言 |
| 3.2 图像去雾相关工作 |
| 3.2.1 有雾图像成像模型 |
| 3.2.2 图像去雾算法研究现状 |
| 3.2.3 定量化图像质量评估方法与不足 |
| 3.3 去雾算法整体框架概述 |
| 3.4 基于不配对生成对抗网络的白内障图像仿真算法 |
| 3.4.1 数学模拟法生成白内障图像先验 |
| 3.4.2 不配对生成对抗网络结构设计与损失函数 |
| 3.5 基于生成的配对数据的白内障图像去雾算法 |
| 3.6 视网膜图像去雾效果评估指标 |
| 3.6.1 去雾效果定量化图像质量评估指标 |
| 3.6.2 基于pix2pix网络的去雾效果评估指标 |
| 3.7 实验结果 |
| 3.7.1 数据集 |
| 3.7.2 仿真白内障图像结果及消融实验结果 |
| 3.7.3 去雾网络消融实验结果 |
| 3.7.4 与其他去雾算法对比结果 |
| 3.7.5 去雾算法对视网膜图像中病灶的影响 |
| 3.7.6 不同级别白内障患者去雾效果 |
| 3.8 讨论 |
| 3.9 本章小结 |
| 第4章 基于三维生成对抗网络的多光谱成像系统超分辨研究 |
| 4.1 引言 |
| 4.2 光谱成像技术与图像超分辨技术相关工作 |
| 4.2.1 光谱成像技术 |
| 4.2.2 图像超分辨技术 |
| 4.3 计算层析成像光谱系统搭建 |
| 4.3.1 光路设计及搭建方案 |
| 4.3.2 系统成像数学模型 |
| 4.3.3 H矩阵标定方案 |
| 4.3.4 重建算法 |
| 4.4 面向多光谱影像的三维空间-光谱超分辨生成对抗网络 |
| 4.4.1 生成网络结构 |
| 4.4.2 判别网络结构 |
| 4.4.3 损失函数 |
| 4.4.4 定量化评估指标 |
| 4.5 计算层析成像光谱系统验证 |
| 4.5.1 仿真数据集结果 |
| 4.5.2 真实数据集结果 |
| 4.6 三维空间-光谱超分辨生成对抗网络结果 |
| 4.6.1 仿真数据集结果 |
| 4.6.2 真实计算层析成像光谱系统泛化实验结果 |
| 4.7 讨论 |
| 4.7.1 计算层析成像光谱系统搭建及重建结果讨论 |
| 4.7.2 三维空间-光谱超分辨生成对抗网络结果讨论 |
| 4.8 本章小结 |
| 第5章 总结与展望 |
| 5.1 本文总结与创新 |
| 5.1.1 本文总结 |
| 5.1.2 本文创新 |
| 5.2 未来工作展望 |
| 参考文献 |
| 致谢 |
| 在读期间发表的学术论文与取得的研究成果 |
（4）医学图像中的血管分割算法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 缩写和符号清单 |
| 1 绪论 |
| 1.1 课题研究背景 |
| 1.2 课题研究的意义与目的 |
| 1.3 血管的成像原理与分割难点 |
| 1.3.1 眼底血管 |
| 1.3.2 脑血管 |
| 1.3.3 肝脏血管 |
| 1.4 本文的创新点 |
| 1.5 本文的组织结构 |
| 2 相关研究综述 |
| 2.1 血管分割总体概述 |
| 2.2 国内外研究现状 |
| 2.2.1 按照算法原理总结 |
| 2.2.2 按照血管部位总结 |
| 2.3 血管分割结果的评价指标 |
| 2.4 公开的血管影像数据集 |
| 2.5 本章小结 |
| 3 基于生成对抗网络的视网膜血管分割算法 |
| 3.1 引言 |
| 3.2 方法 |
| 3.2.1 数据增强 |
| 3.2.2 网络结构 |
| 3.2.3 实现细节 |
| 3.3 实验和结果 |
| 3.3.1 数据集和实验环境 |
| 3.3.2 评价标准 |
| 3.3.3 结果对比 |
| 3.4 讨论 |
| 3.5 本章小结 |
| 4 基于Multiple-U-net的脑血管分割算法 |
| 4.1 引言 |
| 4.2 方法 |
| 4.2.1 数据集 |
| 4.2.2 M-U-net网络结构 |
| 4.2.3 算法实现细节 |
| 4.2.4 投票融合 |
| 4.2.5 后处理 |
| 4.3 实验和结果 |
| 4.3.1 实验环境 |
| 4.3.2 Loss函数选取对比实验 |
| 4.3.3 最优Epoch选取实验 |
| 4.3.4 Single-U-net实验结果 |
| 4.3.5 M-U-net实验结果 |
| 4.3.6 算法对比 |
| 4.4 讨论 |
| 4.5 本章小结 |
| 5 基于图割和断支补全的肝脏血管分割算法 |
| 5.1 引言 |
| 5.2 方法 |
| 5.2.1 提取肝脏区域 |
| 5.2.2 基于Sigmoid函数的体素灰度映射 |
| 5.2.3 基于Hessian矩阵的血管增强滤波 |
| 5.2.4 各项异性扩散滤波 |
| 5.2.5 基于自适应能量函数图割算法的血管初步分割 |
| 5.2.6 血管中心线提取 |
| 5.2.7 血管中心线补全 |
| 5.2.8 血管补全 |
| 5.3 实验和结果 |
| 5.3.1 数据集和实验环境 |
| 5.3.2 评价标准 |
| 5.3.3 最优参数选取 |
| 5.3.4 实验结果 |
| 5.3.5 算法对比 |
| 5.4 讨论 |
| 5.5 本章小结 |
| 6 结论和展望 |
| 6.1 本文主要工作 |
| 6.2 未来研究的展望 |
| 参考文献 |
| 作者简历及在学研究成果 |
| 学位论文数据集 |
（5）心脑血管介入手术机器人系统交互控制关键技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状及发展趋势 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 本文主要研究内容及结构安排 |
| 1.4 本章小结 |
| 第二章 基于DSA影像的血管轮廓提取技术研究 |
| 2.1 引言 |
| 2.2 心脑血管介入手术概述 |
| 2.2.1 传统介入手术流程 |
| 2.2.2 血管介入过程动作分析 |
| 2.3 数字减影血管轮廓提取 |
| 2.3.1 DSA图像介绍 |
| 2.3.2 DSA图像灰度线性变化 |
| 2.3.3 DSA图像增强 |
| 2.3.4 DSA图像血管分割 |
| 2.3.5 DSA图像血管分割评价 |
| 2.4 图像融合 |
| 2.5 本章小结 |
| 第三章 基于贪婪准则的系统自主送丝技术研究 |
| 3.1 引言 |
| 3.2 目标路径获取 |
| 3.2.1 图像骨架提取 |
| 3.2.2 图像骨架提取算法 |
| 3.3 贪婪准则 |
| 3.3.1 问题背景分析 |
| 3.3.2 贪婪准则介绍 |
| 3.3.3 自主送丝算法变量设置 |
| 3.4 单平面导丝旋转问题分析 |
| 3.4.1 血管单截面分析 |
| 3.4.2 数学建模分析 |
| 3.5 从端自主送丝算法仿真 |
| 3.6 本章小结 |
| 第四章 心脑血管介入手术机器人系统自适应控制算法研究 |
| 4.1 引言 |
| 4.2 遥操作双边PD控制分析 |
| 4.2.1 系统建模 |
| 4.2.2 系统稳定性分析 |
| 4.2.3 系统透明性分析 |
| 4.2.4 自由运动系统Simulink仿真实验 |
| 4.3 非自由运动主从PD双边控制算法 |
| 4.3.1 非自由运动系统控制模型分析 |
| 4.3.2 非自由运动系统稳定性分析 |
| 4.3.3 非自由运动系统透明性 |
| 4.3.4 非自由运动系统Simulink仿真实验 |
| 4.4 主从自适应控制算法 |
| 4.4.1 自适应系统控制器分析 |
| 4.4.2 自适应系统Simulink仿真实验 |
| 4.5 本章小结 |
| 第五章 心脑血管介入系统主从控制算法实验验证 |
| 5.1 引言 |
| 5.2 实物实验平台搭建 |
| 5.2.1 硬件平台搭建 |
| 5.2.2 软件平台搭建 |
| 5.3 血管介入实物实验 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 工作总结 |
| 6.2 研究展望 |
| 参考文献 |
| 致谢 |
| 作者攻读学位期间发表的学术论文目录 |
（6）基于活动轮廓模型的图像分割算法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 本文研究内容 |
| 1.4 本文组织结构 |
| 第二章 图像分割相关理论 |
| 2.1 图像分割方法 |
| 2.1.1 阈值分割法 |
| 2.1.2 边缘分割法 |
| 2.1.3 区域分割法 |
| 2.2 曲线演化理论 |
| 2.3 水平集算法 |
| 2.4 活动轮廓模型 |
| 2.4.1 Snake模型 |
| 2.4.2 Chan-Vese模型 |
| 2.4.3 LBF模型 |
| 2.5 本章小结 |
| 第三章 基于固定距离水平集的LBF活动轮廓模型 |
| 3.1 水平集效率问题 |
| 3.1.1 效率问题分析 |
| 3.1.2 以往研究改进 |
| 3.2 基于固定符号距离函数的水平集算法 |
| 3.2.1 方法介绍 |
| 3.2.2 演化过程 |
| 3.3 基于局部区域固定距离水平集的LBF活动轮廓模型 |
| 3.3.1 模型改进 |
| 3.3.2 算法主要步骤 |
| 3.4 实验结果与分析 |
| 3.4.1 分割效率分析 |
| 3.4.2 分割效果分析 |
| 3.4.3 初始轮廓分析 |
| 3.5 本章小结 |
| 第四章 基于局部同向拟合的LBF活动轮廓模型 |
| 4.1 初始轮廓敏感问题 |
| 4.2 局部同向拟合法 |
| 4.2.1 方法介绍 |
| 4.2.2 演化过程 |
| 4.3 基于局部同向拟合的LBF活动轮廓模型 |
| 4.3.1 模型改进 |
| 4.3.2 算法主要步骤 |
| 4.4 实验结果分析 |
| 4.4.1 分割结果对比 |
| 4.4.2 多种初始轮廓分割对比 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 攻读硕士学位期间的学术活动及成果情况 |
（7）基于U型神经网络模型的眼底图像目标分割方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究工作的背景与意义 |
| 1.2 眼底图像分割方法的国内外研究历史与现状 |
| 1.2.1 视盘与视杯分割研究现状 |
| 1.2.2 血管分割研究现状 |
| 1.3 本文的研究内容与结构安排 |
| 第二章 相关知识和研究理论 |
| 2.1 眼底图像结构 |
| 2.2 U型神经网络 |
| 2.2.1 卷积神经网络 |
| 2.2.2 全卷积神经网络 |
| 2.2.3 U-Net |
| 2.3 注意力机制 |
| 2.4 迁移学习 |
| 2.4.1 定义 |
| 2.4.2 分类 |
| 2.5 本章小结 |
| 第三章 基于U型神经网络的视盘与视杯分割方法研究 |
| 3.1 前言 |
| 3.2 基于注意力机制的池化模块设计 |
| 3.3 基于U型神经网络的视盘、视杯分割网络设计 |
| 3.4 视盘与视杯分割实验过程 |
| 3.4.1 实验方案 |
| 3.4.2 视杯与视杯分割数据准备 |
| 3.4.3 实验环境和参数 |
| 3.5 实验结果与分析 |
| 3.5.1 评价标准 |
| 3.5.2 视盘、视杯分割结果及评分 |
| 3.5.3 模型评分比较 |
| 3.6 本章小结 |
| 第四章 基于U型神经网络的眼底图像血管分割方法研究 |
| 4.1 前言 |
| 4.2 基于图像裁切的血管分割流程设计和实验 |
| 4.2.1 流程设计 |
| 4.2.2 测试流程 |
| 4.3 实验结果与分析 |
| 4.3.1 血管分割预测结果图 |
| 4.3.2 血管分割预测结果评分 |
| 4.4 本章小结 |
| 第五章 基于迁移学习的神经网络性能优化方法 |
| 5.1 前言 |
| 5.2 未使用迁移学习会存在的问题 |
| 5.3 针对眼底图像的迁移学习方案设计 |
| 5.3.1 数据集选取 |
| 5.3.2 模型选取 |
| 5.3.3 全部参数迁移方案 |
| 5.3.4 下采样层参数迁移方案 |
| 5.3.5 上采样层参数迁移 |
| 5.4 实验过程 |
| 5.4.1 实验流程 |
| 5.4.2 实验细节 |
| 5.5 实验结果及分析 |
| 5.5.1 网络收敛速度 |
| 5.5.2 分割结果评分 |
| 5.6 本章小结 |
| 第六章 工作总结 |
| 6.1 全文总结 |
| 6.2 不足与展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（8）基于深度学习的肺结节分割算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于阈值的分割方法 |
| 1.2.2 基于边缘的分割方法 |
| 1.2.3 基于区域的分割方法 |
| 1.2.4 基于模板匹配的分割方法 |
| 1.2.5 基于活动轮廓的分割方法 |
| 1.2.6 基于深度学习的分割方法 |
| 1.3 本论文的主要研究内容 |
| 第2章 CT图像原理及肺结节基础 |
| 2.1 CT成像原理 |
| 2.2 DICOM标准简介 |
| 2.3 肺结节特征及分类 |
| 2.4 实验数据集 |
| 2.5 肺部结节信息的获取 |
| 2.6 本章小结 |
| 第3章 肺部CT图像预处理及肺实质分割算法研究 |
| 3.1 概述 |
| 3.2 图像噪声及滤波 |
| 3.2.1 图像噪声的定义及类型 |
| 3.2.2 图像滤波方法 |
| 3.3 肺实质提取 |
| 3.3.1 图像标准化 |
| 3.3.2 使用K-Means算法提取肺实质Mask |
| 3.3.3 图形学处理 |
| 3.4 肺实质分割结果 |
| 3.5 本章小结 |
| 第4章 基于ResWnet的肺结节分割方法研究 |
| 4.1 目前算法存在的问题 |
| 4.2 提出的方法 |
| 4.2.1 ResWnet网络 |
| 4.2.2 改进的残差块 |
| 4.2.3 图像金字塔 |
| 4.2.4 图像融合 |
| 4.3 实验结果与分析 |
| 4.3.1 评价标准 |
| 4.3.2 实验环境 |
| 4.3.3 消融实验 |
| 4.3.4 实验结果 |
| 4.4 本章小结 |
| 第5章 基于ResBlocknet的肺结节分割方法研究 |
| 5.1 网络结构 |
| 5.1.1 Blocknet网络 |
| 5.1.2 改进的残差模块 |
| 5.1.3 融合1 模块 |
| 5.1.4 融合2 模块 |
| 5.2 消融实验 |
| 5.3 对不同种类肺结节分割结果的分析 |
| 5.3.1 孤立型结节分割效果分析 |
| 5.3.2 粘连肺壁型结节分割效果 |
| 5.3.3 血管粘连型结节分割效果 |
| 5.3.4 磨玻璃型结节分割效果 |
| 5.4 同一CT图像含多个结节分割的鲁棒性检验 |
| 5.5 与其他方法的对比 |
| 5.6 本章小结 |
| 总结与展望 |
| 论文总结 |
| 研究展望 |
| 参考文献 |
| 致谢 |
| 附录A 攻读学位期间发表论文与研究成果 |
（9）糖网图像病变检测与分级技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状及发展动态 |
| 1.2.1 血管及视盘分割方法 |
| 1.2.2 基于彩色眼底图像的微血管瘤及渗出检测方法 |
| 1.2.3 基于荧光造影图像的新生血管检测中的图像配准方法 |
| 1.2.4 公开数据集介绍 |
| 1.3 主要研究内容及技术路线 |
| 1.3.1 研究目标及内容 |
| 1.3.2 技术路线 |
| 1.4 论文结构安排 |
| 第二章 视网膜生理特性分析及糖网图像预处理方法研究 |
| 2.1 视网膜生理特性分析及糖网分级标准 |
| 2.1.1 眼底结构 |
| 2.1.2 糖网病变类型及分级标准 |
| 2.2 糖网图像病变检测分析 |
| 2.2.1 彩色眼底图像特性分析 |
| 2.2.2 荧光造影图像特性分析 |
| 2.3 多类型图像预处理 |
| 2.3.1 图像亮度校正 |
| 2.3.2 灰度图像对比度增强与归一化 |
| 2.3.3 视场模板提取 |
| 2.4 本章小结 |
| 第三章 视网膜图像生理结构分割 |
| 3.1 多类型图像血管分割 |
| 3.1.1 基于形态学与归一化散度特征的血管分割 |
| 3.1.2 基于Radon变换和重叠滑动窗口的血管分割 |
| 3.2 彩色眼底图像的视盘分割定位 |
| 3.2.1 基于模版滤波的视盘定位方法 |
| 3.2.2 基于SLIC超像素分割的视盘精细分割方法 |
| 3.3 实验结果与分析 |
| 3.3.1 评价指标 |
| 3.3.2 血管分割结果评价 |
| 3.4 本章小结 |
| 第四章 糖网图像病变检测 |
| 4.1 微血管瘤检测 |
| 4.2 基于荧光造影图像配准的新生血管检测 |
| 4.2.1 基于SIFT与 RANSAC的图像配准简介 |
| 4.2.2 基于荧光扩散差异的新生血管检测 |
| 4.3 基于彩色眼底图像的渗出检测 |
| 4.3.1 基于形态学重建与灰度方差的渗出检测方法 |
| 4.3.2 基于局部线性回归的渗出检测方法 |
| 4.3.3 基于特征差异的硬渗软渗分类 |
| 4.4 实验与结果分析 |
| 4.4.1 评价指标 |
| 4.4.2 微血管瘤检测结果评价 |
| 4.4.3 新生血管检测结果评价 |
| 4.4.4 渗出检测结果评价 |
| 4.5 本章小结 |
| 第五章 多类型图像病变检测联合分析 |
| 5.1 彩色眼底图像与荧光造影图像配准 |
| 5.1.1 双三次插值法放大图像 |
| 5.1.2 两类型图像配准 |
| 5.2 多类型图像病变检测结果联合分析 |
| 5.2.1 微血管瘤及新生血管多类型图像联合分析 |
| 5.2.2 不同病变检测结果联合分析 |
| 5.3 糖网分级系统实现 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文总结 |
| 6.1.1 研究工作 |
| 6.1.2 创新点及贡献 |
| 6.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的研究成果 |
（10）基于云平台的医学图像分割交互式系统（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 交互式医学图像分割 |
| 1.1.2 云计算医学图像分析 |
| 1.2 国内外研究现状 |
| 1.3 研究内容及创新点 |
| 1.3.1 研究内容 |
| 1.3.2 研究的创新点 |
| 1.4 论文组织结构及安排 |
| 第2章 基于云平台的医学图像分割交互式系统算法的实现 |
| 2.1 系统需求分析 |
| 2.1.1 目标需求 |
| 2.1.2 功能需求 |
| 2.2 系统算法实现 |
| 2.3 生成初始切面 |
| 2.4 二维切面的分割 |
| 2.5 切面传播和体数据分割 |
| 2.6 误差最小化切面的生成 |
| 2.7 切片传播与融合 |
| 2.8 本章小结 |
| 第3章 基于云平台的医学图像分割交互式系统的框架实现 |
| 3.1 B/S框架的设计 |
| 3.1.1 系统框架 |
| 3.1.2 功能模块分析 |
| 3.1.3 数据流程分析 |
| 3.2 系统框架的实现 |
| 3.2.1 客户端的实现 |
| 3.2.2 服务器端的实现 |
| 3.3 本章小结 |
| 第4章 实验结果与分析 |
| 4.1 数据说明 |
| 4.2 脑核磁图像中肿瘤的分割 |
| 4.2.1 二维切面分割 |
| 4.2.2 三维体数据的分割 |
| 4.2.3 结果展示 |
| 4.3 胸腔CT图像中左心室的分割 |
| 4.3.1 二维切面分割 |
| 4.3.2 三维体数据的分割 |
| 4.3.3 结果展示 |
| 4.4 腹腔CT图像中肾脏的分割 |
| 4.4.1 二维切面分割 |
| 4.4.2 三维体数据的分割 |
| 4.4.3 结果展示 |
| 4.5 腹腔CT图像中血管瘤的分割 |
| 4.5.1 二维切面分割 |
| 4.5.2 三维体数据的分割 |
| 4.5.3 结果展示 |
| 4.6 与其他半自动方法的对比 |
| 4.7 系统性总体评价 |
| 4.8 本章小结 |
| 第5章 总结与展望 |
| 参考文献 |
| 导师学术评语 |
| 答辩委员会决议书 |
| 致谢 |
| 攻读硕士学位期间的研究成果 |
四、一种提取医疗图像中血管轮廓的简单方法（论文参考文献）
- [1]弱边界跟踪与肺部肿瘤分割方法研究[D]. 李晓晨. 河北大学, 2021(11)
- [2]基于血管内超声的冠状动脉病灶智能检测技术及应用[D]. 张文真. 山东大学, 2021(12)
- [3]基于生成对抗网络的视网膜影像分析研究[D]. 罗宇豪. 中国科学技术大学, 2021(09)
- [4]医学图像中的血管分割算法研究[D]. 郭晓宇. 北京科技大学, 2021
- [5]心脑血管介入手术机器人系统交互控制关键技术研究[D]. 李振东. 北京邮电大学, 2021(01)
- [6]基于活动轮廓模型的图像分割算法研究[D]. 刘博. 合肥工业大学, 2021(02)
- [7]基于U型神经网络模型的眼底图像目标分割方法研究[D]. 郭睿. 电子科技大学, 2021(01)
- [8]基于深度学习的肺结节分割算法研究[D]. 唐渝. 兰州理工大学, 2021(01)
- [9]糖网图像病变检测与分级技术研究[D]. 周宇. 电子科技大学, 2021(01)
- [10]基于云平台的医学图像分割交互式系统[D]. 余小梅. 深圳大学, 2020(10)