一、基于变形模型的肝CT序列图像分割（论文文献综述）
徐铸业[1]（2021）在《基于统计形状模型的医学图像3D建模方法研究》文中进行了进一步梳理随着医学图像数量的急剧增加,对医学图像进行深层次的解释和建模成为了现代医学亟需解决的问题。传统的X射线计算机断层扫描成像技术（Computed Tomography,CT）与核磁共振成像技术（Magnetic Resonance Imaging,MRI）能够拍摄患者病患部位的一系列二维（Two-Dimensional,2D）图像,医生通过观察这些2D图像来判断患者病患部位的特征及位置。然而,仅通过观察2D图像很难对患者病情进行准确地诊断,并且诊断过程主要依赖于医生的个人经验,因此会存在一定的误诊风险。患者病患部位的三维（Three-Dimensional,3D）模型能够更好的可视化数据,并帮助医生通过计算机直接与3D模型进行交互,同时对医学图像数据进行定性和定量的分析,从而有效地降低误诊的风险,为医生制订后续治疗计划提供有力的依据。因此,根据患者病患部位的2D平面图像构建出相应的3D模型成为了医学图像处理的核心问题。针对构建3D模型过程中存在的分割感兴趣区域、模板样本与目标样本之间建立对应关系、3D模型与测试样本拟合、根据缺损样本构建3D预测模型等问题,本文将统计形状模型（Statistical Shape Model,SSM）作为基础,分析了不同方法构建3D模型的特点,并提出了相应的改进方法,从而实现医学图像的3D建模。主要研究内容如下:（1）针对医学图像建模过程中不能准确地将感兴趣区域从目标图像中分割出来的问题,提出了基于统计形状模型的随机森林回归（Random Forest Regression-Statistical Shape Model,RFR-SSM）医学图像分割方法。首先利用随机森林回归对输入的训练样本进行训练,并在每个训练样本的根节点处进行分裂,当所有叶子节点中包含的样本数小于预定义的观测值时分裂停止;然后根据不同的分类特征建立决策树,并对多个决策树的输出进行加权,从而生成预测函数;最后对参考坐标系中不同位置和不同方向的训练样本进行迭代优化,并将优化后的训练样本转换回图像坐标系中,从而完成目标对象中感兴趣区域的分割。（2）针对构建患者病患部位的解剖结构模型过程中不能有效地建立模板样本与目标样本之间的对应关系的问题,提出了基于统计形状模型的自动构建患者病患部位的3D解剖结构模型（3D Anatomical Structure Model of Patients Automatically Constructed Based on Statistical Shape Model,3DASMPACB-SSM）方法。首先对输入数据进行预处理,增强感兴趣区域,并通过RFR-SSM将感兴趣区域从患者的CT扫描图像中分割出来;然后将分割出来的感兴趣区域作为训练样本,并用三角形对训练样本进行网格化,同时引入顶点收缩策略对三角形网格进行迭代收缩,在保证训练样本不失真的前提下有效地减少了训练样本中三角形网格顶点的个数;最后采用B样条自由变形（B-Spline Fre e-Form Deformation,BSFFD）在模板样本和目标样本之间建立对应关系,并通过主成分分析（Principal Component Analysis,PCA）生成解剖结构的平均模型和变形模型。3DASMPACB-SSM能够有效地构建出患者病患部位的3D解剖结构模型,并通过紧凑性、特异性、通用性和表示性四种评价指标对3D解剖结构模型的性能进行评价。（3）针对传统方法构建的患者病患部位的3D解剖结构模型与测试样本拟合效果较差的问题,提出了基于点分布模型的3D模型拟合（3D Model Fitting Based on Point Distribution Model,3DMFB-PDM）方法。首先对训练样本集进行数据处理,通过普氏分析（Procrustes Analysis,PA）使模板样本与目标样本对齐,减小训练样本由于旋转变化和尺度变化产生的不利影响;然后在训练样本间建立对应关系,并根据对应关系将患者病患部位的点分布模型用正态分布进行表示;最后计算点分布模型中的特征点与测试样本中对应点之间的距离,将马氏距离（Mahalanobis Distance,MD）作为附加项引入到目标函数中,并将非线性方程组转换为线性方程组,从而使二者之间的距离最小。与此同时,根据二者之间的最小距离不断调整点分布模型的模型参数,从而使点分布模型与测试样本具有最小拟合误差。3DMFB-PDM能够有效地计算出点分布模型与测试样本的最小拟合误差,并将最大误差（Max Error）、平均误差（Mean Error）以及均方根误差（RMS Error）作为评价指标来衡量拟合程度。（4）针对构建患者病患部位的预测模型过程中存在数据缺损的问题,提出了基于缺损样本构建3D解剖结构预测模型（3D Anatomical Structure Prediction Model Based on Defect Specimens,3DASPMB-DS）方法。首先通过RFR-SSM对输入数据集进行分割处理,并将分割后的感兴趣区域作为训练样本集;其次将训练样本集分为健康样本集和缺损样本集,并手动模拟缺损样本集中的样本在所有情况下可能发生的缺损;然后将健康样本的平均样本作为模板样本,将所有的缺损样本作为目标样本,并通过迭代最近点（Iterative Closest Point,ICP）将模板样本与目标样本对齐;最后在模板样本与目标样本之间建立对应关系,根据对应关系生成患者病患部位的预测模型,并通过相似度量函数对预测模型与测试样本的拟合误差进行评估。3DASPMB-DS能够有效地根据缺损样本构建出患者病患部位的预测模型,并通过紧凑性、特异性和通用性对预测模型的性能进行分析。
白佳宾[2]（2021）在《基于CT影像的肝脏及其肿瘤分割方法研究》文中认为肝脏疾病对于人类的健康是巨大的威胁,临床上对于这类疾病的诊断和治疗是十分依赖计算机辅助技术的。因此如何从CT图像中获取肝脏以及肝脏肿瘤的位置、大小等特征,是进行肝病诊断、手术规划、功能评估和治疗决策的重要前提。然而依靠专业人员进行纯手工分割是耗时费力的,另一方面,由于肝脏以及肿瘤在CT图像中表现出边缘模糊、低对比度和灰度不均等特性,完全依靠计算机进行自动分割也是较为困难的。因此,本研究针对肝脏和肝脏肿瘤在CT图像中的特征,分别搭建了一种半自动分割方法,以实现高效准确地分割。主要研究内容如下:首先,利用一种以改进的水平集模型为主体的算法进行分割。基于区域或边缘单一信息驱动的水平集模型是不容易完成肝脏分割任务的,该水平集模型在基于全局和局部信息的区域型水平集基础上,引入边缘信息,构建了一种混合水平集模型,并对模型中的边缘指示函数进行二值化,利用区域增长算法从中提取水平集演化的初始轮廓,来完成肝脏分割任务。利用该算法对40套人体腹部CT图像序列和20套MR图像序列进行分割,同样取得较好分割结果。然后,利用骨骼信息进行肝脏分割约束构建。该算法首先通过阈值法获取骨骼信息,接着利用椭圆拟合算法寻找特征点,最后通过三次插值算法构造约束。利用该算法对一些肝脏和肌肉粘连处边缘缺失的CT图像进行约束,有效地解决了了肝脏分割过程中因肝脏与肌肉粘连带来的过分割问题。此外,利用改进的模糊C均值聚类算法完成半自动分割。该方法首先通过人机交互定位肝脏肿瘤,然后利用目标区域的灰度分布直接获取聚类中心和隶属度矩阵,根据隶属度对像素进行分类,完成肝脏肿瘤分割。利用该算法对3Dircadb数据集中的肿瘤进行分割,取得了误差结果较小的分割结果。最后,利用提出的分割算法对其他人体器官和动物器官进行分割,同样取得了较为理想的分割结果,证明了本研究算法具有鲁棒性和适用性。
邓鸿[3]（2021）在《基于生成对抗网络的肝脏CT/MRI图像自动分割方法研究》文中研究指明医学图像分割是将目的器官、病灶从医学数字图像中提取出来。在腹部扫描图像中,肝脏分割具有重要临床应用,如自动肝脏体积测量、肝脏3D重建、多回波核磁检查质子密度脂肪分级的量化等。肝脏与邻近器官对比度低、病变肝脏纹理发生改变,这些都使得肝脏分割变得困难,自动快速的从腹部扫描图像中分割出肝脏区域一直是研究热点。研究者基于深度神经网络训练对腹部切片进行分割的网络,但是分割结果在目标器官的边缘都较模糊不清,且不同模态的图像需要单独训练分割网络。本课题以腹部计算机断层扫描图像（Computed Tomography,CT）和核磁共振（Magnetic Resonance,MR）图像为研究对象,训练对肝脏CT/MR进行自动分割的神经网络。本文研究主要分成两部分:肝脏CT图像分割准确率的提高、肝脏MR图像转换CT图像进行分割。本课题首先对提高腹部CT肝脏图像分割准确性进行研究,首先将腹部CT图像输入到Unet网络进行分割预测,然后引入生成对抗网络（Generative Adversarial Network,GAN）去提高Unet网络预测的准确性。同时,本课题还研究了不同的距离约束函数对于肝脏组织分割准确性的影响;接下来本课题使用得到的CT分割网络进行肝脏MR图像的分割研究,肝脏MR图像因为缺少大量配对标注的数据集,本课题应用图像翻译技术将MR图像转换为CT图像后再使用CT图像分割网络进行分割。首先研究了图像翻译网络Cyclegan和DRIT网络在肝脏MR转CT图像进行分割的优劣性,结果显示Cyclegan的翻译结果会更符合此项任务;然后研究了Cyclegan生成器和判别器使用不同结构对于该任务影响,实验结果表明Cyclegan＿G12＿D3（生成器使用12层残差网络,判别器使用3层网络）结构用于肝脏MR＿T1图像转换CT图像进行分割可以取得最好的效果。最后我们使用T2序列肝脏MR图像对肝脏MR分割方法进行了验证并和区域生长法的分割结果进行了对比。结果显示:（1）CT图像分割:经过L2距离约束数函数后的GAN-Unet网络在Dice相似系数（Dice Similarity Coefficient,Dice）,交并比（Intersection Over Union,Io U）,像素精确度（Pixel Accuracy,PA）,相对体积误差（Relative Volume Difference,RVD）以及相对表面积误差（Relative Surface Area Error,RSSD）达到94.9%,91.3%,99.4%,0.026,0.079,各项指标都优于传统的Unet网络,分割结果边缘也比Unet网络分割结果更加平滑。（2）肝脏MR图像分割:本课题使用的肝脏MR＿T2图像分割上的Dice、Io U和PA达到了62.6%,52.3%,95.1%,分割结果的指标和实际效果图都要优于传统的区域生长算法。本研究提高了肝脏CT图像的分割性能,使得该方法可以运用到计算机辅助诊断系统和一些医学图像处理工作的预处理部分;同时本课题肝脏MR分割方法为医学图像的半监督分割提供了一种思路,通过训练更好图像翻译转换网络可以解决因为缺少配对数据集而不能进行训练分割网络;同时研究的MR图像到CT图像转换结果也为医学图像融合提供了一种思路。
裘应驰[4]（2021）在《基于CT图像引导的肿瘤精准定位技术研究》文中研究说明精确放疗是治疗肿瘤的重要方法之一。医用机械臂在放疗系统中起到支撑患者的作用,如何高效精准的将患者肿瘤区域对准束流,是行业难题之一。利用CT图像通过分割配准给出空间坐标系下的靶区位置,引导医用机械臂运动实现肿瘤自动精准定位,对提高摆位效率、减少术前人工干预、节约医疗资源、提高放疗效果都有着举足轻重的意义。目前国内在CT图像引导自动定位技术领域的研究尚处于初期阶段。本文研究基于改进的影像预处理算法和自主分割网络模型ADLNet对肿瘤位置进行初步定位,通过改进配准算法对肿瘤误差进行补偿,通过实验验证上述方法的精度和可行性,实现图像引导精准定位。本文的主要研究内容和结果如下:（1）深入研究CT图像的组成,对其预处理方法进行剖析;引入K-Means聚类算法和基于形态学操作的漫水填充法,去除非必要的器官和外界干扰,保留重要的肺部特征,预处理CT图像。对常见的基于深度学习的语义分割算法进行了复现和改进,为后续研究提供理论基础。（2）在对网络非线性表达能力、输出特征细化效果、感受野扩增程度进行实验对比的基础上,提出融合各模块优点的自主分割网络模型ADLNet;在LIDCIDIR公开数据集分割任务中较其它模型更为精准,网络迁移性表现良好。最终Dice相似系数达到91.25%,精确度达到91.75%,召回率达到90.12%,相较于现有网络模型有较大提高,在此基础上对肿瘤病灶进行了初步的定位。（3）使用数字重建放射影像算法,获取任意角度的DRR影像;结合三次B样条曲线的连续图像表示和Parzen直方图估计的改进算法,同时在优化过程中加入图像金字塔算法增加配准的速度,提高实时性,并通过实验验证方法的有效性。本文方法相较于以往算法在X、Y方向上的位移精度分别提高了17.65%和13.79%,并将配准时间进一步缩短了19.64%,能够较好地修正患者在图像引导时的肿瘤位置偏差。（4）综合上述研究,在符合实际治疗流程的工作框架下,设计医用机械臂自动定位系统的架构。结合软硬件系统开发自主测试软件,在某医院的测试平台上进行验证。结果表明本文所研究的基于CT图像引导的精准定位技术能够满足医用机械臂术前自动定位的要求。本文研究为提高空间坐标系下肿瘤定位精度和效率提供了技术方案,为其它手术机器人自动定位技术的进一步深入研究提供了参考。
李晶晶[5]（2021）在《基于深度学习合成腹部磁共振图像应用研究》文中进行了进一步梳理核磁共振图像（MRI）的软组织分辨率高,无电离辐射,且可多参数任意层成像,在腹部的疾病诊断中十分重要。在MRI的常规扫描中,T1加权图（T1WI）和T2加权图（T2WI）是两种最常用的MRI加权图像（模态）,T2WI扫描时间一般是T1WI的4到10倍。多模态MRI图像为疾病的诊疗提供了多维度信息,但同时获得同一被试的多模态图像,需要付出大量经济与时间成本,而在运动情况与解剖结构复杂的腹部,过长扫描时间加大了获得高质量MRI图像的难度。若能利用扫描时间短的模态合成其他模态图像,就能降低扫描时间减小运动伪影,获得高质量的多模态图像,这对拓展MRI在腹部中的应用范围意义重大。因此,本文基于深度学习算法提出了多模态图像合成腹部T2WI的网络:基于残差分割注意力的双通道网络（DRSA-Unet）,通过腹部的T1WI与1/4降采样T2WI合成全采样T2WI,降低了T2WI的K空间填充时间,从而提高了图像采集效率。主要工作如下:1、数据预处理与网络预训练,为设计腹部多模态MRI的图像合成网络做准备。本文所用的CHAOs腹部数据集中的多模态图像存在数据量小,未配准等问题。因此,本文首先对数据做了归一化,然后提出基于肝脏分割的层间配准算法,实现了多模态图像的层间匹配,最后通过数据增强拓展了样本量。除此之外,还基于MRI成像原理与K空间图像重建技术,介绍了T2WI的降采样方法。2、介绍基于深度学习的医学图像合成算法,并选取性能优秀的U-Net与Dense-Unet网络基于本文任务做了相应的改进。利用改进后的U-Net网络通过训练实验,对跨模态合成腹部T2WI的数据输入方式以及层间配准效果等问题进行了测试与验证。3、提出基于深度学习的腹部MRI多模态图像合成的网络:DRSA-Unet。该网络中的分割注意力残差模块与压缩激励注意力模块,扩展了感受野以学习更多尺度的信息,提升了多通道信息的提取、压缩与融合能力。经实验证实,在利用反相T1WI与降采样T2WI的多模态图像合成腹部T2WI的任务中,DRSA-Unet网络的性能与合成的图像质量均优于U-Net与Dense-Unet。
张月[6]（2020）在《医学脑图像小体积弥散性病变分割深入研究》文中研究指明近些年来深度学习算法被广泛应用于医学脑部图像病变分割,但目前还存在一部分尚待解决的问题:在一系列中晚期、较大体积、和局灶性的脑损伤中（例如脑瘤和急性出血性病变）,深度学习算法已经取得了85-90%以上的病变分割准确性,这接近甚至稍微超过影像科专家的准确性。但在各类较早期、较小体积、以及弥散性（多病灶）的脑损伤中,深度学习算法的准确性普遍停留在30-70%。这种分割精度的差距严重阻碍了深度学习算法在各类早期、小体积、多病灶的脑损伤中的准确检测,成为当前深度学习算法应用于医学图像领域的一大技术难点,本论文旨在系统性地研究这一问题。在医学图像中,任何类型的病变的识别和分割都很重要,并且在临床预后和对疗效的评估起着至关重要的作用。但目前医学图像小体积弥散性病变分割至今仍面临着巨大的挑战,主要的问题存在于以下方面:（1）目前对“小体积弥散性病变”的概念缺少被广泛接受的定义,不同文章中对其定义差异较大;（2）小体积弥散性病变分割结果与前沿分割水平的差距的背后原因尚不清楚;（3）目前现有尝试提升小体积弥散性病变分割效果解决方法未被总结过;（4）算法跨病变类型的普适性很少被探讨,小体积弥散性病变分割效果的评价标准并不完全合理;（5）小体积弥散性病变分割领域未来的发展方向尚不明确。本文围绕着医学脑部图像小体积弥散性病变分割这个主题进行了实验探究,主要创新点如下:（1）首次探究了目前文献对小体积弥散性病变的定义。本文提出,如果病变是弥散性的,并且在至少1/3有这种病变的患者中病变体积占全脑体积小于1%,则被称之为小体积弥散性病变。（第1.2章）（2）首次分析深度学习在脑部小体积病变分割效果与前沿脑部图像分割效果差距的背后原因,提出深度学习算法在小体积弥散性病变分割中容易被忽略的三大特殊挑战（第3.1章）;首次提炼了现有深度学习算法对小体积弥散性病变分割的提升办法,并分析这些提升方法分别解决了哪些特殊挑战（第3.2章）。这三大特殊挑战是:a)小体积弥散性病变信号微弱,与健康体素信号之间的差距不大;b)病变体积较小,不适合使用深度神经网络Dice损失函数;c)存在类不平衡问题。（3）以一种小体积弥散性病变——缺氧缺血性脑病（HIE）的实际数据为例,通过改变深度神经网络的输入,加入量化正常的空间解剖位置信息进行实验,验证使用本文算法分割的病变与专家标注的重叠情况。若直接使用深度学习方法进行分割的灵敏度中值为0.21,若使用本文提出方法进行分割的灵敏度中值为0.64。将我们的结果（N=133）和当前最好文献（N=20）在有相近的病变体积的患者中比较,我们的分割结果（Dice=0.77）比当前最好文献中的分割结果（Dice=0.52）有很大的提升（第4章）。（4）在不依赖专家标注的数据情况下,以两种小体积弥散性病变为例,验证算法对病变类型普适性和对诊断的普适性。我们以两种新生儿脑病（HIE和斯图格-韦伯综合征（SWS））为例,针对小体积弥散性病变分割效果的评价标准并不完全合理的问题,验证了我们基于量化正常的空间信息的算法可以在不同脑病中重复医生的确诊和较大程度上补救医生的误诊和漏诊（第5章）。最后提出了展望。首先文章通过收集整理了目前现有的小体积弥散性病变的公共数据集和涉及小体积弥散性病变的大数据项目,以及,研究针对小体积弥散性病变分割的公共软件,提出对探索基于大数据的跨病变类型的基准方法的展望;其次,文章对应用于脑小体积弥散性病变的深度学习分割算法提出了展望（第6章）。
杨赫[7]（2019）在《基于深度学习的医学CT图像肝肿瘤与肺结节检测》文中研究表明肝癌和肺癌是当前发病率很高的疾病,致死率也在逐年增加。基于深度学习的人工智能算法在不断进步,快速地推动了智慧医疗的发展,深度学习算法在医生诊疗癌症过程中起了重要作用。通过构建基于深度学习的检测算法可以完成医学CT图像中肝肿瘤和肺结节的自动化标注,辅助医生诊疗。不仅如此,自动化的深度学习检测算法通过训练大量医生标注的高质量数据,可以在网络中学习医生的诊疗知识,这样将集成好的深度学习算法应用到医疗不发达地区,可以提高该地区的医疗水平,降低医生们阅读CT影像的工作量。本文主要研究通过深度学习方法进行肝肿瘤和肺结节的检测,一种是利用目标检测方法进行肺结节的检测,另一种是利用图像分割算法进行肝肿瘤的分割。根据数据的标签是坐标还是掩膜,选取不同的方法。标签是坐标选取目标检测方法,标签是掩膜则选取图像分割算法。病灶检测的难点主要在于小病灶很难发现,无论是小肿瘤还是小结节都不容易检测。为了方便处理医学图像,本文提出了医学CT图像的处理方法,对不同类型的医学CT图像进行归一化。为了完成小结节的检测,本文提出了基于密集连接网络的多尺度肺结节检测方法,可以检测两种尺度范围的结节,网络设置更加偏向小结节的检测。提出基于分类网络和图像块匹配网络的假阳性降低方法,降低检测病灶产生的假阳性。进行肝肿瘤检测之前需要先分割出器官,序列化抽取Unet的分割肝的方法减少工程上需要的资源量。利用特征融合Unet方法完成了多尺度肿瘤的检测。本文还研究了图像形态学处理和分割算法相比的优劣,解决医学图像领域的样本不均衡问题,研究不同的损失函数对网络的影响。
张品[8]（2014）在《CT图像的肾脏组织分割及其病变检测方法的研究》文中进行了进一步梳理在医学成像技术和计算机视觉领域不断发展的研究背景下,医学图像处理与分析技术在现代医疗系统中的重要作用和地位越来越突出,已成为医生临床诊断、治疗计划拟定以及外科手术导航等的有效技术手段,对计算机辅助检测与诊断系统的开发具有重要的应用价值和意义。作为图像处理与分析技术的分支之一,医学图像分割一直是其中的关键和难点问题。快速有效的分割方法能够更好地为医生提供患者疾病诊断与治疗的可靠性依据,从而提高医疗工作的效率和准确性。考虑到医学图像的成像特点和其临床需求,本文在总结国内外研究成果的基础上,以肾脏CT图像为主要研究对象,对医学图像的分割算法和病变检测方法等一系列相关的科学技术问题进行了深入的探讨和研究,其创新点主要表现在如下几个方面：1.针对医学图像中肾脏组织的特点以及传统C-V模型在灰度不均匀图像分割中存在的缺陷,提出了一种改进C-V模型算法来分割肾脏CT图像。该算法将图像的全局和局部统计信息融合到C-V模型中,为判断图像内像素点的归属提供了更为可靠的依据,从而有效地解决了CT图像的灰度不均匀目标分割的问题。2.根据CT序列图像的肾脏组织特征,提出了一种基于图割方法的自适应窄带活动轮廓模型,能够有效地定位和提取肾脏组织。通过融合上下文连续性和目标尺寸等信息特征,计算出适合能量函数演化的自适应窄带宽度,然后以中间两张切片为基准,将提出的模型依次应用于各层切片图像的肾脏组织分割中。考虑到测地活动轮廓模型的目标边界性和C-V模型的区域性优势,能量函数采用两者的综合形式,并将t-1ink对应的权值转化为n-link,减少了网络图的边界数量。由于算法在最优的演化区域内进行,减少了自适应窄带活动轮廓模型的运算范围,从而保证了计算效率。3.在上述自适应窄带活动轮廓模型的基础上提出了一种全自动的肾脏分割算法,弥补了交互算法在整个完成时间上的不足。将中间一张切片作为参考图像,利用肾脏的皮质特征和C-V模型来自动化完成肾脏序列图像的初始分割。通过相邻切片图像的形状差异与层间距之间的经验关系,模拟合适的窄带宽度值,有利于能量函数的快速演化。4.构建了基于支持向量机的肾脏病变检测框架,详细研究了样本选择、特征提取以及最终建立分类模型进行检测等算法流程。该分类检测方法基于肾脏病变组织的CT表现,采用统计搜索的方法获取待处理的圆形样本区域,并提取样本的灰度和纹理等特征参量,从而帮助医生检测肾脏组织中可能存在的肿瘤区域。
齐萌[9]（2013）在《基于解剖知识的肝脏CT图像分割及可视化研究与实现》文中认为所谓图像分割就是根据某种均匀性（或一致性）的原则将图像分成若干个有意义的部分,使得每部分都符合某种一致性的要求。医学图像分割是医学图像处理与分析的一个重要领域,同时也是计算机辅助诊断与治疗的基础,比如三维可视化、计算机辅助外科手术以及放射治疗等医学应用都假设已经对图像进行了精确分割。病毒性肝炎、脂肪肝、酒精肝、肝硬化及肝癌等肝病是当今社会威胁人类健康的主要疾病之一。肝脏手术如肝脏移植、肝肿瘤切除或消融是目前很多国家治疗末期肝病的重要技术。肝病的计算机辅助诊断以及外科手术规划成为迫切需要。肝脏的精确分割是进行肝病的计算机辅助诊断等的基础,已成为医学图像分割领域的研究热点,并具有广泛的应用前景和现实意义。本文以CT图像为研究对象,探索了肝脏的半自动化分割方法。肝脏分割的难点在于以下三个方面：一是肝脏与其邻接器官组织的灰度差别不大,很难利用灰度差异将它分割出来；二是部分容积效应使肝脏的轮廓变模糊,降低了肝脏分割的可靠性；三是肝脏形状的差异大,不同病人的肝脏形状各异,即使是同一病人也可能如此。水平集方法在当今图像分割领域非常流行并被广泛应用。它的基本思想是建立模型的能量函数,在模型内部控制力和外部图像力的共同作用下使曲线或曲面演化,并使该能量函数最小化,从而收敛到待分割区域的边缘。但是水平集方法也有其缺点,经常出现欠分割、过分割和溢出现象。针对现有的肝脏分割方法的不足,本文提出了基于特殊的水平集方法———DRLSE （Distance Regularized Level Set Evolution）模型的半自动化肝脏分割方法。该方法首先对原始图像进行灰度窗调节、中值滤波等预处理,完成分割所必须的数据准备。然后利用区域增长法进行初始分割,得到肝脏的初始轮廓。最后利用DRLSE方法迭代求出肝脏的最终轮廓,实现肝脏的分割。实验证明,DRLSE方法的分割速度是传统CV方法的15倍,在分割精度方面,DRLSE方法较传统的CV方法也有一定改善。此外,本文利用VTK中封装的Marching Cubes算法,对分割结果进行三维可视化。
徐丹霞[10]（2010）在《肝脏CT图像的局部病灶分割技术研究》文中研究指明小肝癌早期发现和治疗是降低肝癌死亡率关键。计算机辅助诊断（CAD）技术可以不断提高肝癌诊断水平,帮助医师更快、更准确的作出诊断。肝脏病灶分割是小肝癌CAD系统实现的一个基本前提。本文根据肝脏CT图像的特点,针对Chan-Vese模型水平集分割方法只能处理简单目标背景图像的不足,提出一种改进的Chan-Vese模型水平集分割方法,并将此改进方法扩展到多相,用于肝脏的病灶提取。实验结果表明该方法仅需少量的人工参与,能较快较好地提取出肝脏的病灶。深入分析了国内外肝脏病灶的分割方法,重点研究了几何活动轮廓模型的理论基础曲线演化理论、水平集方法、及其经典模型--Mumford-Shah模型,对Chan-Vese模型水平集分割方法进行改进,将其应用到肝脏局部病灶的分割中。Chan-Vese模型依靠图像的全局性质使演化曲线最终停留在目标物体的边界,达到分割目标物的目的。针对Chan-Vese模型只能处理简单目标背景图像的不足,选取包含病灶的局部区域进行处理;为了提高目标和背景对比度,减少新构造图像中边界梯度的影响,对图像进行了背景填充;为了提高分割过程的运算速度,采用Otsu方法对图像进行预分割,再将此结果作为水平集的初始演化曲线,初始曲线靠近病灶边界,大大减少了Chan-Vese模型的迭代次数。实验结果表明该方法能准确、快速地对肝脏病症区域进行分割,效果较好。肝脏病变区域信息复杂,同一病灶会呈现不同的影像特征,使得分割目标不再单一,前期改进Chan-Vese模型将无法完全分割出来。多相Chan-Vese模型水平集的分割方法解决了这一不足,使得分割多目标区域成为可能,同时还避免了水平集函数过多而带来的覆盖区域的重叠和真空问题。对多相Chan-Vese模型水平集的分割方法进行改进,引入局部处理、背景填充、Ostu多阈值法,提高了分割的速度和精度。将改进的多相Chan-Vese模型水平集的分割方法应用到肝脏复杂病灶的分割中,结果表明各目标区域都能够很好的分割出来,效果较好。
二、基于变形模型的肝CT序列图像分割（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、基于变形模型的肝CT序列图像分割（论文提纲范文）
（1）基于统计形状模型的医学图像3D建模方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 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 医学图像分割研究现状 |
| 1.2.2 目标图像的轮廓描述研究现状 |
| 1.2.3 目标图像与模板图像的配准研究现状 |
| 1.2.4 医学图像解释研究现状 |
| 1.3 研究目标及主要研究内容 |
| 1.3.1 研究目标 |
| 1.3.2 主要研究内容 |
| 第2章 SSM的工作原理及医学图像3D建模过程 |
| 2.1 引言 |
| 2.2 SSM的工作原理 |
| 2.3 基于SSM的3D建模过程 |
| 2.4 SSM的评价指标及实验验证 |
| 2.4.1 紧凑性 |
| 2.4.2 特异性 |
| 2.4.3 通用性 |
| 2.4.4 SSM的实验验证 |
| 2.5 本章小结 |
| 第3章 基于统计形状模型的随机森林回归医学图像分割方法 |
| 3.1 引言 |
| 3.2 随机森林 |
| 3.3 RFR-SSM |
| 3.3.1 RFR-SSM训练阶段 |
| 3.3.2 RFR-SSM匹配阶段 |
| 3.4 仿真验证与分析 |
| 3.4.1 RFR-SSM的实施与参数设置 |
| 3.4.2 由粗到精的多阶段搜索策略 |
| 3.4.3 RFR-SSM的性能评估 |
| 3.5 本章小结 |
| 第4章 基于统计形状模型的构建3D解剖结构方法研究 |
| 4.1 引言 |
| 4.2 网格及网格简化 |
| 4.3 3DASMPACB-SSM |
| 4.3.1 数据处理 |
| 4.3.2 顶点收缩 |
| 4.3.3 建立对应关系 |
| 4.4 仿真验证与分析 |
| 4.4.1 3DASMPACB-SSM通用性验证 |
| 4.4.2 网格简化能力分析 |
| 4.4.3 3DASMPACB-SSM标记点选择 |
| 4.4.4 3DASMPACB-SSM性能评估 |
| 4.5 本章小结 |
| 第5章 基于点分布模型的3D模型拟合方法研究 |
| 5.1 引言 |
| 5.2 相关知识 |
| 5.2.1 相关概念 |
| 5.2.2 点分布模型 |
| 5.3 3DMFB-PDM |
| 5.3.1 问题的形成 |
| 5.3.2 计算最小拟合误差 |
| 5.4 仿真验证与分析 |
| 5.4.1 3DMFB-PDM的通用性验证 |
| 5.4.2 3DMFB-PDM与测试样本的拟合误差评估 |
| 5.4.3 3DMFB-PDM的效率分析 |
| 5.4.4 3DMFB-PDM的性能评估 |
| 5.5 本章小结 |
| 第6章 基于缺损数据构建3D解剖结构预测模型 |
| 6.1 引言 |
| 6.2 迭代最近点 |
| 6.3 3DASPMB-DS |
| 6.3.1 感兴趣区域的分割 |
| 6.3.2 手动模拟数据缺损 |
| 6.3.3 构建预测模型 |
| 6.3.4 预测模型与测试样本拟合 |
| 6.4 实验仿真验证 |
| 6.4.1 3DASPMB-DS通用性验证 |
| 6.4.2 预测模型的误差评估 |
| 6.4.3 预测模型的性能分析 |
| 6.4.4 预测模型的时间对比 |
| 6.5 本章小结 |
| 第7章 总结与展望 |
| 7.1 研究工作总结 |
| 7.2 研究工作展望 |
| 参考文献 |
| 致谢 |
| 附录A 攻读学位期间所发表的学术论文目录 |
| 附录B 攻读学位期间申请的发明专利 |
（2）基于CT影像的肝脏及其肿瘤分割方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 肝脏分割方法综述 |
| 1.2.2 肝脏肿瘤分割方法综述 |
| 1.2.3 存在的问题 |
| 1.3 本文主要研究内容 |
| 2 基于混合水平集模型和骨骼信息约束的肝脏分割方法研究 |
| 2.1 引言 |
| 2.2 肝脏分割算法流程 |
| 2.3 图像预处理 |
| 2.3.1 自适应加窗技术 |
| 2.3.2 图像滤波处理 |
| 2.4 基于骨骼信息构建肝脏分割约束 |
| 2.5 基于全局信息和局部信息驱动的混合水平集模型 |
| 2.5.1 水平集模型 |
| 2.5.2 基于全局信息和局部信息驱动的符号压力函数 |
| 2.5.3 混合水平集模型 |
| 2.5.4 初始轮廓获取 |
| 2.6 本章小结 |
| 3 基于混合水平集和骨骼信息约束的肝脏分割方法应用及分析 |
| 3.1 引言 |
| 3.2 数据来源和评估标准 |
| 3.2.1 数据来源 |
| 3.2.2 评估标准 |
| 3.3 分割结果与分析 |
| 3.3.1 肝脏分割结果 |
| 3.3.2 初始轮廓与演化结果对比 |
| 3.3.3 不同类型的水平集模型对比 |
| 3.3.4 骨骼信息约束结果与分析 |
| 3.3.5 不同算法对比 |
| 3.3.6 二维轮廓及三维模型分析 |
| 3.4 本章小结 |
| 4 基于模糊C均值聚类的肝脏肿瘤分割方法 |
| 4.1 引言 |
| 4.2 肝脏肿瘤分割算法 |
| 4.2.1 分割流程 |
| 4.2.2 基于灰度分布的模糊C均值聚类算法 |
| 4.3 肝脏肿瘤分割结果分析 |
| 4.4 本章小结 |
| 5 软组织器官模型构建 |
| 5.1 引言 |
| 5.2 器官模型构建方法 |
| 5.3 人体器官模型构建及分析 |
| 5.4 动物器官模型构建及分析 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表学术论文情况 |
| 致谢 |
（3）基于生成对抗网络的肝脏CT/MRI图像自动分割方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景与研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于传统算法的肝脏图像分割 |
| 1.2.2 基于形状模型的肝脏图像分割 |
| 1.2.3 基于机器学习的肝脏图像分割 |
| 1.2.4 基于深度学习的肝脏图像分割 |
| 1.3 本文主要工作 |
| 1.3.1 研究目标 |
| 1.3.2 研究内容 |
| 1.3.3 创新点 |
| 1.3.4 技术路线 |
| 第二章 卷积神经网络及生成对抗网络 |
| 2.1 卷积神经网络 |
| 2.1.1 输入层 |
| 2.1.2 卷积层 |
| 2.1.3 激活层 |
| 2.1.4 池化层或采样层 |
| 2.1.5 全连接层 |
| 2.1.6 损失函数 |
| 2.1.7 优化方法 |
| 2.2 用于图像分割的卷积神经网络 |
| 2.2.1 FCN |
| 2.2.2 Unet |
| 2.3 生成对抗网络 |
| 2.4 小结 |
| 第三章 融合生成对抗网络的Gan Unet肝脏CT图像分割 |
| 3.1 实验方法 |
| 3.1.1 CT图像分割框架 |
| 3.1.2 分割网络训练过程 |
| 3.1.3 分割网络损失函数设计 |
| 3.1.4 训练参数设置 |
| 3.2 数据集处理 |
| 3.2.1 数据集的获取与处理 |
| 3.3 实验结果分析 |
| 3.3.1 评价指标 |
| 3.3.2 Gan Unet和 Unet结果分析 |
| 3.3.3 Lsgan Unet和 Gan Unet结果分析 |
| 3.3.4 不同约束函数结果分析 |
| 3.4 小结与讨论 |
| 第四章 基于风格转移网络的肝脏MR图像分割 |
| 4.1 数据集处理 |
| 4.2 实验方法 |
| 4.2.1 Cyclegan |
| 4.2.2 DRIT |
| 4.2.3 实验设置 |
| 4.3 实验结果分析 |
| 4.3.1 Cyclegan与 DRIT实验结果分析 |
| 4.3.2 生成器不同数量残差网络实验结果分析 |
| 4.3.3 判别器网络不同数量残差网络实验结果分析 |
| 4.4 小结及讨论 |
| 第五章 肝脏MRI图像分割验证 |
| 5.1 实验方法 |
| 5.2 实验结果 |
| 5.3 总结及讨论 |
| 第六章 总结及展望 |
| 6.1 全文总结 |
| 6.2 未来工作展望 |
| 致谢 |
| 参考文献 |
| 个人简历、在学期间发表的学术论文及取得的研究成果 |
（4）基于CT图像引导的肿瘤精准定位技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 图像引导放疗技术国内外研究现状 |
| 1.2.2 医学影像分割的国内外研究现状 |
| 1.2.3 医学影像配准的国内外研究现状 |
| 1.3 课题研究内容 |
| 1.4 论文结构及章节安排 |
| 第2章 CT图像分割算法阐述及坐标系介绍 |
| 2.1 基于传统算法图像分割算法 |
| 2.1.1 阈值的图像分割算法 |
| 2.1.2 边缘检测图像分割算法 |
| 2.2 卷积神经网络 |
| 2.2.1 卷积层(Convolutional Layer) |
| 2.2.2 批标准化(Batch Normalization) |
| 2.2.3 池化(Pooling) |
| 2.2.4 激活函数(Activation Function) |
| 2.3 注意力机制(Attention Mechanism) |
| 2.3.1 SE模块 |
| 2.3.2 CBAM模块 |
| 2.4 LinkNet模型 |
| 2.5 CT图像的坐标系及定位方法 |
| 2.5.1 坐标体系介绍 |
| 2.5.2 DICOM图像中的坐标系 |
| 2.6 空间坐标变换 |
| 2.6.1 放疗系统坐标定义 |
| 2.7 本章小结 |
| 第3章 分割方法的改进与定位的实现 |
| 3.1 实验数据集的与实验环境 |
| 3.2 CT图像预处理 |
| 3.2.1 CT值映射 |
| 3.2.2 肺实质的初步提取 |
| 3.2.3 基于数学形态学的漫水填充法 |
| 3.2.4 边界扩张 |
| 3.3 ADLNet神经网络模型 |
| 3.3.1 激活函数 |
| 3.3.2 空洞卷积 |
| 3.3.3 门控注意力细化模块 |
| 3.4 损失函数与评价准则 |
| 3.5 实验结果与分析 |
| 3.5.1 各网络结构优化与模块的加入对网络模型的影响 |
| 3.5.2 网络最终效果 |
| 3.5.3 ADLNet网络与现有网络性能对比 |
| 3.6 肿瘤在CT图像中的定位 |
| 3.7 本章小结 |
| 第4章 2D-3D配准方法研究 |
| 4.1 DRR基本原理 |
| 4.2 医学图像配准的基本原理 |
| 4.3 传统变换模型 |
| 4.3.1 刚体变换 |
| 4.3.2 仿射变换 |
| 4.4 相似性度量 |
| 4.4.1 归一化互相关 |
| 4.4.2 互信息量度 |
| 4.5 高斯金字塔 |
| 4.6 改进的互信息测度 |
| 4.7 从床面系到固定系的空间坐标变换 |
| 4.8 实验结果与分析 |
| 4.9 本章小结 |
| 第5章 测试集成系统开发 |
| 5.1 基于CT图像自动定位系统原理及工作流程 |
| 5.1.1 自动定位系统原理 |
| 5.1.2 系统工作流程 |
| 5.2 医用机械臂自动定位系统的架构 |
| 5.3 自主定位软件 |
| 5.3.1 序列影像读取及回放模块 |
| 5.3.2 神经网络分割定位模块 |
| 5.3.3 医学影像配准模块 |
| 5.3.4 编译、ADS通信模块 |
| 5.4 自动定位系统硬件部分 |
| 5.5 系统界面与实验环境 |
| 5.5.1 实验测试软件工作界面 |
| 5.5.2 实验环境 |
| 5.6 本章小结 |
| 结论与展望 |
| 总结 |
| 展望 |
| 参考文献 |
| 致谢 |
| 附录A 攻读学位期间所发表的学术论文目录 |
（5）基于深度学习合成腹部磁共振图像应用研究（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 研究现状及发展 |
| 1.3 本文的主要工作 |
| 1.4 本文的章节安排 |
| 第二章 基于深度学习的图像合成方法 |
| 2.1 基于深度学习的图像合成方法 |
| 2.1.1 GAN |
| 2.1.2 U-Net |
| 2.1.3 ResNets |
| 2.1.4 Dense-Unet |
| 2.2 网络训练 |
| 2.2.1 网络参数的初始化 |
| 2.2.2 激活函数 |
| 2.2.3 损失函数 |
| 2.2.4 优化函数 |
| 2.3 图像质量评价指标 |
| 2.3.1 均方根误差 |
| 2.3.2 峰值信噪比 |
| 2.4 本章小结 |
| 第三章 数据预处理及网络训练实验 |
| 3.1 数据集说明 |
| 3.2 数据预处理方法介绍 |
| 3.2.1 数据归一化 |
| 3.2.2 多模态图像的层间配准 |
| 3.2.3 数据增强 |
| 3.3 核磁共振图像的降采样 |
| 3.3.1 核磁共振图像的K空间介绍 |
| 3.3.2 核磁共振图像的K空间降采样 |
| 3.4 深度学习框架 |
| 3.5 实验设置 |
| 3.6 改造U-Net和 Dense-Unet |
| 3.6.1 用于腹部跨模态MRI图像合成的U-Net |
| 3.6.2 用于腹部跨模态MRI图像合成的Dense-Unet |
| 3.7 基于U-Net的腹部跨模态MRI图像合成实验 |
| 3.7.1 腹部跨模态MRI图像合成的探究 |
| 3.7.2 腹部T1WI的输入方式 |
| 3.7.3 腹部T2WI的不同降采样方式 |
| 3.7.4 层间配准的效果验证 |
| 3.7.5 多模态图像的多层输入 |
| 3.8 本章小结 |
| 第四章 DRSA-Unet网络的设计与应用 |
| 4.1 DRSA-Unet网络的设计依据 |
| 4.1.1 分隔注意残差模块 |
| 4.1.2 并行的空间通道压缩激励模块 |
| 4.1.3 DRSA-Unet结构 |
| 4.2 网络训练实验结论验证 |
| 4.2.1 验证T1WI的输入方式 |
| 4.2.2 验证T2WI的降采样倍率 |
| 4.2.3 验证连续多层输入的效果 |
| 4.3 性能对比 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
（6）医学脑图像小体积弥散性病变分割深入研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 引言 |
| 1.1 医学脑部图像病变分割的研究背景 |
| 1.2 小体积弥散性病变分割研究的重要性 |
| 1.3 小体积弥散性病变分割研究现状 |
| 1.3.1 小体积弥散性病变的定义 |
| 1.3.2 不同体积病变分割结果的差异 |
| 1.4 本文结构安排 |
| 第2章 医学图像分割研究的理论基础 |
| 2.1 脑部图像病变分割中常用的图像 |
| 2.1.1 MR图像 |
| 2.1.2 CT图像 |
| 2.2 医学中常见的统计分析方法 |
| 2.3 机器学习算法在图像分割研究的理论基础 |
| 2.3.1 传统机器学习算法 |
| 2.3.2 深度学习算法 |
| 2.4 本章小结 |
| 第3章 小体积弥散性病变分割现状的原因分析 |
| 3.1 小体积弥散性病变分割的三个特殊挑战 |
| 3.1.1 病变信号微弱 |
| 3.1.2 病变体积小 |
| 3.1.3 类不平衡问题 |
| 3.2 解决三个特殊挑战的可能方法 |
| 3.2.1 解决病变信号微弱的方法 |
| 3.2.2 解决病变体积小的方法 |
| 3.2.3 解决类不平衡问题的方法 |
| 3.2.4 算法总结 |
| 3.3 本章小结 |
| 第4章 基于深度学习的缺氧缺血性脑部病变分割 |
| 4.1 选择HIE病变实验的原因 |
| 4.2 HIE病变研究现状和研究目标 |
| 4.3 数据和方法 |
| 4.3.1 实验数据 |
| 4.3.2 实验方法 |
| 4.3.3 评价方式 |
| 4.4 结果展示 |
| 4.4.1 数据统计和病变信息 |
| 4.4.2 性能评估 |
| 4.5 实验展望 |
| 4.6 本章小结 |
| 第5章 普适性分割算法研究 |
| 5.1 研究目标 |
| 5.2 现状分析 |
| 5.2.1 HIE诊断现状分析 |
| 5.2.2 SWS诊断现状分析 |
| 5.3 实验数据 |
| 5.3.1 HIE实验数据 |
| 5.3.2 SWS实验数据 |
| 5.4 算法设计 |
| 5.5 结果分析 |
| 5.5.1 HIE数据诊断结果 |
| 5.5.2 SWS结果分析 |
| 5.6 本章小结 |
| 第6章 小体积弥散性病变分割的展望 |
| 6.1 探索基于大数据的跨病变类型的基准算法 |
| 6.1.1 现有的公共数据集 |
| 6.1.2 正在进行的大数据研究 |
| 6.1.3 合并数据集的优势 |
| 6.1.4 公共软件和算法 |
| 6.2 关于深度学习算法的展望 |
| 6.2.1 注意力机制 |
| 6.2.2 自动选择2D/3D的图像块大小 |
| 6.2.3 在两阶段神经网络框架中处理假阴性 |
| 6.2.4 集成算法 |
| 6.2.5 数据增强算法 |
| 6.2.6 损失函数 |
| 6.3 本章小结 |
| 第7章 全文总结 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
（7）基于深度学习的医学CT图像肝肿瘤与肺结节检测（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及研究的目的和意义 |
| 1.1.1 课题背景 |
| 1.1.2 研究的目的和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 传统方法与深度学习方法的性能差别 |
| 1.2.2 基于全卷积网络的病灶图像分割算法 |
| 1.2.3 基于目标检测方法的病灶检测探究 |
| 1.2.4 国内医学CT图像病灶检测研究现状 |
| 1.2.5 研究现状总结 |
| 1.3 论文内容及结构 |
| 第2章 CT图像预处理及深度学习理论基础 |
| 2.1 医学CT图像预处理操作 |
| 2.1.1 常见CT图像数据格式 |
| 2.1.2 肺结节检测数据集 |
| 2.1.3 肝肿瘤检测数据集 |
| 2.1.4 图像处理基础知识 |
| 2.1.5 数据预处理 |
| 2.2 卷积神经网络理论基础 |
| 2.3 CT病灶目标检测算法理论基础 |
| 2.3.1 基于目标检测算法的检测原理 |
| 2.3.2 基于目标检测算法的网络结构 |
| 2.4 CT病灶图像分割方法理论基础 |
| 2.4.1 基于Unet3D的图像分割算法 |
| 2.4.2 基于Unet3D的算法网络结构 |
| 2.5 本章小结 |
| 第3章 基于深度学习的肺结节检测方法 |
| 3.1 基于密集网络的肺结节检测算法 |
| 3.1.1 密集连接检测方法 |
| 3.1.2 网络结构设计 |
| 3.2 基于深度学习的假阳性降低算法 |
| 3.2.1 假阳性降低方法 |
| 3.2.2 网络结构设计 |
| 3.3 实验结果与分析 |
| 3.3.1 肺结节检测实验流程 |
| 3.3.2 肺CT器官分割算法对比实验 |
| 3.3.3 肺CT结节检测算法对比实验 |
| 3.4 本章小结 |
| 第4章 基于深度学习的肝肿瘤检测方法 |
| 4.1 基于序列化抽取的肝脏分割算法 |
| 4.1.1 序列化抽取方法 |
| 4.1.2 网络结构设计 |
| 4.2 基于特征融合Unet的肝肿瘤检测算法 |
| 4.2.1 特征融合Unet网络方法 |
| 4.2.2 网络结构设计 |
| 4.3 实验结果与分析 |
| 4.3.1 肝肿瘤检测实验流程 |
| 4.3.2 肝CT器官分割算法对比实验 |
| 4.3.3 肝CT肿瘤检测算法对比实验 |
| 4.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及其他研究成果 |
| 致谢 |
（8）CT图像的肾脏组织分割及其病变检测方法的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 第一节 研究背景与意义 |
| 1.1.1 医学成像系统 |
| 1.1.2 医学图像处理与分析 |
| 1.1.3 医学图像分割的意义 |
| 第二节 计算机辅助检测与诊断技术 |
| 第三节 国内外研究现状 |
| 1.3.1 基于边界的分割算法 |
| 1.3.2 基于区域的分割算法 |
| 1.3.3 基于能量的分割算法 |
| 1.3.4 病变检测自动诊断方法 |
| 第四节 本文研究的主要内容 |
| 第二章 肾脏CT图像的基本知识 |
| 第一节 CT图像成像的基本原理 |
| 第二节 肾脏生理结构功能 |
| 第三节 肾脏及其病变组织的CT表现 |
| 第四节 本章小结 |
| 第三章 常用的医学图像分割方法 |
| 第一节 活动轮廓模型 |
| 3.1.1 参数活动轮廓模型 |
| 3.1.2 几何活动轮廓模型 |
| 第二节 水平集方法 |
| 3.2.1 轮廓曲线演化理论 |
| 3.2.2 曲线演化的水平集描述 |
| 3.2.3 水平集函数的数值实现 |
| 第三节 图割理论 |
| 3.3.1 图论的基本知识 |
| 3.3.2 最大流/最小割算法 |
| 3.3.3 图割理论在图像分割中的应用及其基本框架 |
| 第四节 本章小结 |
| 第四章 基于改进C-V模型的肾脏CT图像分割方法 |
| 第一节 C-V模型在医学图像处理中的应用 |
| 第二节 初始轮廓的获取 |
| 4.2.1 肾脏组织的先验位置 |
| 4.2.2 肾脏皮质特征分布 |
| 第三节 C-V模型的改进 |
| 第四节 基于改进C-V模型的肾脏分割实验 |
| 4.4.1 数据库概述 |
| 4.4.2 分割结果评价参数 |
| 4.4.3 实验结果及分析 |
| 第五节 本章小结 |
| 第五章 基于能量最小化和连续性特征的肾脏分割方法 |
| 第一节 肾脏分割的流程框架 |
| 第二节 中间切片的交互式分割 |
| 第三节 基于图割方法的窄带活动轮廓模型 |
| 第四节 自适应窄带宽度的确定 |
| 第五节 自适应窄带活动轮廓模型的算法描述及其特点 |
| 第六节 实验结果与分析 |
| 5.6.1 肾脏CT图像的连续性分割结果 |
| 5.6.2 对病变和粘连型切片的分割性能分析 |
| 5.6.3 分割算法的迭代过程与能量演化 |
| 5.6.4 不同窄带宽度的分割结果 |
| 5.6.5 分割模型算法的量化估计 |
| 5.6.6 不同初始分割条件下的鲁棒性估计 |
| 5.6.7 与其它分割方法的比较 |
| 第七节 基于能量最小化的肾脏自动分割算法 |
| 第八节 本章小结 |
| 第六章 肾脏组织的病变检测方法 |
| 第一节 支持向量机及其理论基础 |
| 6.1.1 统计学习理论 |
| 6.1.2 支持向量机的基本原理 |
| 6.1.3 线性支持向量机 |
| 6.1.4 非线性支持向量机 |
| 第二节 图像特征提取及归一化 |
| 6.2.1 纹理特征的提取 |
| 6.2.2 特征的窗口选择与归一化 |
| 第三节 基于支持向量机的肾脏病变检测 |
| 6.3.1 系统的算法流程 |
| 6.3.2 训练与测试样本的选取 |
| 6.3.3 核函数的选择 |
| 第四节 实验结果与分析 |
| 6.4.1 不同核函数下肾脏病变分类的实验结果 |
| 6.4.2 各组CT序列图像的肾脏病变分类实验结果 |
| 6.4.3 接受器工作特性实验分析 |
| 第五节 本章小结 |
| 第七章 总结与展望 |
| 第一节 本文总结 |
| 第二节 未来展望 |
| 参考文献 |
| 致谢 |
| 个人简历 |
| 攻读博士学位期间发表的论文 |
（9）基于解剖知识的肝脏CT图像分割及可视化研究与实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 肝脏医学基础 |
| 1.3 肝脏分割的研究现状 |
| 1.4 肝脏分割的研究趋势 |
| 1.5 本文的主要研究内容及章节安排 |
| 第二章 CT图像的成像原理及特点 |
| 2.1 引言 |
| 2.2 CT图像特点 |
| 2.3 肝脏CT图像特点 |
| 2.4 本章小结 |
| 第三章 基于可变形模型的医学图像分割 |
| 3.1 引言 |
| 3.2 水平集方法 |
| 3.3 CV模型 |
| 3.4 DRLSE模型 |
| 3.5 分割结果的评估方法 |
| 3.6 本章小结 |
| 第四章 基于DRLSE模型的肝脏分割 |
| 4.1 引言 |
| 4.2 肝脏分割算法的设计 |
| 4.3 实验结果及分析 |
| 4.4 本章小结 |
| 第五章 基于VTK的肝脏分割结果可视化 |
| 5.1 引言 |
| 5.2 VTK介绍 |
| 5.3 肝脏分割结果的可视化 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间已发表或录用的论文 |
（10）肝脏CT图像的局部病灶分割技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题背景及意义 |
| 1.2 CT 图像分割的常用方法 |
| 1.2.1 阈值法 |
| 1.2.2 区域生长法 |
| 1.2.3 活动轮廓模型 |
| 1.2.4 基于特定理论的分割方法 |
| 1.3 肝脏及病变区域的分割技术研究现状 |
| 1.4 医学图像分割的研究现状及发展趋势 |
| 1.5 主要研究内容及章节安排 |
| 第二章 水平集方法及Chan-Vese 模型 |
| 2.1 曲线演化理论 |
| 2.2 水平集方法 |
| 2.2.1 水平集方法及其表示形式 |
| 2.2.2 水平集函数方程的构造 |
| 2.2.3 水平集方法的关键问题 |
| 2.2.4 水平集方法的数值计算 |
| 2.2.5 水平集快速算法 |
| 2.3 Mumford-shah 模型 |
| 2.4 Chan-Vese 模型 |
| 2.5 基于水平集求解Chan-Vese 模型 |
| 2.6 本章小结 |
| 第三章 基于改进的Chan-Vese 模型的病灶分割 |
| 3.1 改进的Chan-Vese 模型 |
| 3.1.1 预处理 |
| 3.1.1.1 高斯去噪 |
| 3.1.1.2 病变区域选取 |
| 3.1.2 背景填充 |
| 3.1.3 Otsu 阈值分割 |
| 3.1.4 水平集初始化 |
| 3.1.5 背景灰度函数修正 |
| 3.1.6 Chan-Vese 模型分割 |
| 3.2 改进的Chan-Vese 模型方法病灶分割结果 |
| 3.2.1 误差分析 |
| 3.2.2 对比实验 |
| 3.2.3 讨论 |
| 3.3 本章小结 |
| 第四章 基于改进的多相Chan-Vese 模型的复杂病灶分割 |
| 4.1 多相Chan-Vese 模型水平集算法 |
| 4.2 改进的多相Chan-Vese 模型 |
| 4.3 改进的多相Chan-Vese 模型的算法实现 |
| 4.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间取得的研究成果 |
| 致谢 |
四、基于变形模型的肝CT序列图像分割（论文参考文献）
- [1]基于统计形状模型的医学图像3D建模方法研究[D]. 徐铸业. 兰州理工大学, 2021(01)
- [2]基于CT影像的肝脏及其肿瘤分割方法研究[D]. 白佳宾. 大连理工大学, 2021(01)
- [3]基于生成对抗网络的肝脏CT/MRI图像自动分割方法研究[D]. 邓鸿. 重庆理工大学, 2021(02)
- [4]基于CT图像引导的肿瘤精准定位技术研究[D]. 裘应驰. 兰州理工大学, 2021(01)
- [5]基于深度学习合成腹部磁共振图像应用研究[D]. 李晶晶. 电子科技大学, 2021(01)
- [6]医学脑图像小体积弥散性病变分割深入研究[D]. 张月. 中国科学院大学(中国科学院上海技术物理研究所), 2020(01)
- [7]基于深度学习的医学CT图像肝肿瘤与肺结节检测[D]. 杨赫. 哈尔滨工业大学, 2019(02)
- [8]CT图像的肾脏组织分割及其病变检测方法的研究[D]. 张品. 南开大学, 2014(04)
- [9]基于解剖知识的肝脏CT图像分割及可视化研究与实现[D]. 齐萌. 东华大学, 2013(06)
- [10]肝脏CT图像的局部病灶分割技术研究[D]. 徐丹霞. 华南理工大学, 2010(03)