收藏本站
收藏 | 手机打开
二维码
手机客户端打开本文

腹部图像分割与增强的自步深度学习研究

顾裕  
【摘要】:医学影像分析是疾病诊断和治疗中最基本、最重要的步骤,随着计算机技术的不断更新发展,使用图像处理和机器学习的方法进行医学影像分析成为新的发展方向。医学图像数据量小,人体间差异性大,对使用传统的机器学习方法和深度学习方法进行医学影像分析提出了更高的要求。胰腺癌作为恶性程度最高的癌症之一,精准地分割病人的胰腺图像有助于医生的诊断和治疗,本文针对小样本的胰腺数据分别使用传统的机器学习以及目前热门的深度学习进行图像分割,提出了适用于不同模态的胰腺图像分割方法。此外,随着对医疗设备辐射方面的关注度越来越高,低辐射的医学影像将广泛使用,针对低辐射医学影像成像质量差,本文采用深度学习方法探讨降质医学影像的图像增强,提出了适用于降质医学影像增强的深度学习方法,为进一步的医学影像分析,如分割、配准等提供帮助。本文主要完成了以下三个工作:1.针对三维磁共振胰腺图像中胰腺体积小且与周围组织粘连严重难以准确分割问题,提出了基于水平集和自步支持向量机结合的序贯分割模型。首先,通过人机交互勾画第一张磁共振胰腺序列图像中胰腺的大致轮廓,利用水平集方法自动演化出序列的粗分割结果。然后,利用训练好的自步支持向量机对粗分割结果进一步分割。最后,利用形态学方法进行后处理得到最终结果。针对自步支持向量机,使用自步学习的思想改进支持向量机,在训练过程中先学习简单样本然后逐渐加入复杂样本,我们融合灰度共生矩阵特征、灰度梯度共生矩阵特征和三维灰度梯度共生矩阵特征构造了自步支持向量机的输入。实验结果表明,该分割方法提高了胰腺分割精度,达到一定的去粘连效果。2.针对PET/MRI中磁共振二维成像导致胰腺图像质量差,对比度低,难以分割问题,提出了基于迁移学习和多尺度卷积的分割模型。首先,使用PET数据构造了编码器-解码器结构的U-Net分割网络。然后基于MRI数据构造了双编码器-单解码器结构的U-Net分割网络,对于其中一个编码器,由PET分割模型中编码器迁移得到,使得模型可以关注感兴趣区域进行特征提取;对于另一个解码器,构造了多尺度卷积模块提升模型的特征表达能力;在解码器部分采用插值上采样和反卷积融合的方式进行特征映射输出MRI分割结果。实验结果表明,基于迁移学习的思想可以更好地定位胰腺,多尺度卷积以及融合的上采样方式提高了分割精度。3.针对降质医学图像兆伏CT噪声大、分辨率低等问题,提出了基于重建损失约束的生成对抗网络提升图像质量。本方法利用生成对抗方式学习低质量的兆伏CT和高质量的千伏CT之间的映射关系提高兆伏CT图像质量。通过构造兆伏CT和千伏CT双输入的生成器,使用cycle consistency loss解决了数据非配对问题,在生成器重构部分引入重建损失提高了图像生成质量,并引入梯度项对生成图像轮廓进行约束。在真实的临床兆伏CT数据上表明,我们的方法在视觉效果和指标上都表现优异。


知网文化
【相似文献】
中国期刊全文数据库 前19条
1 韩悬;马银平;;分水岭算法的改进及在图像分割中的应用[J];现代信息科技;2019年24期
2 黄玲;石玉秋;覃永新;;基于小波融合的苹果图像分割的研究[J];科技视界;2018年29期
3 侯红英;高甜;李桃;;图像分割方法综述[J];电脑知识与技术;2019年05期
4 姚霆;张炜;刘金根;;基于深度学习的图像分割技术[J];人工智能;2019年02期
5 丁翠;;基于模糊信息处理的图像分割方法研究[J];信息系统工程;2017年11期
6 王平;魏征;崔卫红;林志勇;;一种基于统计学习理论的最小生成树图像分割准则[J];武汉大学学报(信息科学版);2017年07期
7 李然;李记鹏;宋超;;基于显著性检测的协同图像分割研究[J];现代计算机(专业版);2017年24期
8 邓惠俊;;一种基于数据场的图像分割方法与研究[J];长春工程学院学报(自然科学版);2016年02期
9 李继云;冀卿伟;;基于自适应局部阈值的交互式图像分割[J];计算机应用与软件;2014年11期
10 刘印;;对图像分割方法的认识及新进展研究[J];数码世界;2018年08期
11 杨成佳;;唇纹识别图像分割系统的研究[J];山西青年;2017年11期
12 韩白静;刘欢;;浅谈基于阈值的图像分割方法[J];科学家;2017年02期
13 寇毛蕊;;医学图像分析系统设计[J];数码世界;2017年09期
14 利民;杨立森;阿木古楞;;图像分割的研究进展[J];科技创新与应用;2013年04期
15 魏庆;卢照敢;邵超;;图像分割复杂性测度研究[J];计算机科学;2013年04期
16 兰红;王璇;;基于多元线性回归的昆虫图像分割方法[J];计算机应用与软件;2013年07期
17 李林浩;;应用混合算法实现卫星图像分割的分析[J];网络安全技术与应用;2013年07期
18 胡小丹;滕忠坚;;基于噪声统计模型的图像分割方法[J];计算机与现代化;2011年03期
19 龚永义;黄辉;于继明;关履泰;;基于熵的两区域图像分割[J];中国图象图形学报;2011年05期
中国重要会议论文全文数据库 前10条
1 闫平昆;;基于模型的图像分割技术及其医学应用[A];第十五届全国图象图形学学术会议论文集[C];2010年
2 杨生友;;图像分割在医学图像中应用现状综述[A];2009中华医学会影像技术分会第十七次全国学术大会论文集[C];2009年
3 朱士蓉;谢昭;高隽;;一种图模型下的柔性图像分割方法[A];中国仪器仪表学会第十二届青年学术会议论文集[C];2010年
4 朱松豪;刘佳伟;罗青青;胡荣林;;基于关联模型的图像分割[A];第26届中国控制与决策会议论文集[C];2014年
5 张志会;王华英;熊南燕;廖薇;成惠;刘飞飞;;对基于图像分割与合并的相位展开算法的改进[A];第十届全国光电技术学术交流会论文集[C];2012年
6 杨加文;谢凤英;;基于深度学习的皮肤镜图像分割[A];第十五届中国体视学与图像分析学术会议论文集[C];2017年
7 郭世可;董槐林;龙飞;张海波;;一种结合密度聚类和区域生长的图像分割方法[A];第二十四届中国数据库学术会议论文集(研究报告篇)[C];2007年
8 刘智勇;李进;黄道君;;基于遗传算法的视频交通量检测图像分割方法[A];中国体视学学会图像分析专业、中国体视学学会仿真与虚拟现实专业、中国航空学会信号与信息处理专业第一届联合学术会议论文集[C];2000年
9 张萍;单筱攸;巴成贺;;主动脉图像分割的研究与实现[A];第十二届中国体视学与图像分析学术会议论文集[C];2008年
10 赵建业;余道衡;;一种基于模糊细胞神经网络的多值图像分割新方法[A];中国体视学学会图像分析专业、中国体视学学会仿真与虚拟现实专业、中国航空学会信号与信息处理专业第一届联合学术会议论文集[C];2000年
中国博士学位论文全文数据库 前10条
1 邵光普;基于混合模型和空间信息的图像分割研究[D];华中科技大学;2019年
2 王晨;视觉显著性检测方法研究及其应用[D];西北工业大学;2018年
3 古晶;基于稀疏特征学习的SAR图像分割与半监督分类方法研究[D];西安电子科技大学;2016年
4 段一平;基于层次视觉计算和统计模型的SAR图像分割与理解[D];西安电子科技大学;2017年
5 胡佩君;腹部CT图像分割的可计算建模方法研究[D];浙江大学;2018年
6 姜枫;基于语义识别的砂岩薄片图像分割方法研究[D];南京大学;2018年
7 赵晓丽;面向图像分割的智能算法研究[D];上海大学;2018年
8 倪波;高强度聚焦超声图像分割方法研究[D];武汉大学;2016年
9 彭自立;用于交互式图像分割的自适应表观分离[D];湖南师范大学;2018年
10 瞿绍军;基于最优化理论的图像分割方法研究[D];湖南师范大学;2018年
中国硕士学位论文全文数据库 前10条
1 王亚彪;基于深度学习的人脑组织图像分割[D];北京理工大学;2016年
2 王宇飞;基于模糊聚类技术的磁共振脑图像分割方法的研究[D];北京理工大学;2017年
3 王宁;基于生成对抗网络的皮肤镜图像分割算法研究[D];山东科技大学;2018年
4 张弯;近景图像分割与像对分步匹配方法研究[D];山东科技大学;2018年
5 闫文杰;基于深度学习的肺部CT影像分割算法的研究[D];大连理工大学;2019年
6 殷丽丽;基于CNN-CRF的细胞显微图像分割[D];东华大学;2019年
7 秦松岩;基于深度学习的火车轮对踏面图像分割[D];石家庄铁道大学;2019年
8 赵向明;基于深度学习的医学图像分割算法研究[D];华中科技大学;2019年
9 袁旭;基于超像素的图像分割方法研究[D];华中科技大学;2019年
10 胡翔;试卷智能辅助批阅系统的设计与实现[D];华中科技大学;2019年
中国重要报纸全文数据库 前1条
1 赵利利;图像分割出新方法[N];中国科学报;2019年
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62982499
  • 010-62783978