导读:本文包含了病灶分割论文开题报告文献综述及选题提纲参考文献，主要关键词:胃癌肝转移灶,最长径测量,体积测量,计算机断层扫描
病灶分割论文文献综述
王兰,张欢,葛颖倩,陆静,崔征[1]（2019）在《胃癌肝转移病灶的人工智能辅助半自动分割软件的临床应用评估》一文中研究指出目的:评估人工智能辅助胃癌肝转移病灶自动分割软件对胃癌肝转移病灶的分割功能相对于手动分割,能否减少观察者内及观察者间的差异。方法:由2名医生盲法应用西门子医疗开发的基于深度学习网络的肝脏肿瘤分析软件(Liver Lesion Analysis Tool),分别使用全手动模式以及人工智能辅助的半自动模式,对32例患者共81个胃癌肝转移灶的CT图像进行分割,并对最长径及叁维体积进行纯手动和全自动重复测量。应用Bland-Altman法分别评估最长径测量及体积测量在2种分割模式下的观察者内及观察者间差异,用组内相关系数(intraclass correlation coefficient, ICC)评估2种模式下最长径测量与体积测量的观察者内及观察者间测量变异度差异。结果:手动、半自动模式最长径测量的观察者内95%一致性区间分别为-31.70%～34.55%,-28.04%～27.89%,手动、半自动模式最长径测量的观察者间95%一致性区间分别为-74.26%～38.85%,-59.54%～40.98%。手动、半自动模式体积测量的观察者内95%一致性区间分别为-148.10%～102.70%,-75.92%～63.79%,手动、半自动模式体积测量的观察者间95%一致性区间分别为-127.40%～111.50%,-87.66%～43.77%。观察者内手动模式最长径测量与体积测量变异度的ICC分别为0.914、0.950,观察者内半自动模式最长径测量与体积测量变异度的ICC分别为0.967、0.970。观察者间手动模式最长径测量与体积测量变异度的ICC分别为0.884、0.939,观察者间半自动模式最长径测量与体积测量变异度的ICC分别为0.928、0.974。相对于手动分割病灶,使用人工智能辅助的肝转移自动分割软件进行半自动病灶分割所需要的时间大大缩短[(25.78±4.23) s比(4.53±2.82) s, P<0.01]。结论:使用人工智能辅助的肝转移自动分割软件进行半自动病灶分割在观察者内及观察者间的一致性好,可提高肝转移病灶分割的效率,有望成为临床随访及疗效评估的定量工具。(本文来源于《诊断学理论与实践》期刊2019年05期）
王平,高琛,朱莉,赵俊,张晶[2]（2019）在《基于3D深度残差网络与级联U-Net的缺血性脑卒中病灶分割算法》一文中研究指出为了解决人工勾画缺血性脑卒中病灶费时费力且易引入主观差异的问题,提出了一种基于叁维(3D)深度残差网络与级联U-Net的自动分割算法。首先,为了有效利用图像的3D上下文信息并改善类不平衡现象,将脑卒中核磁共振图像(MRI)采样成图像块作为网络输入;然后,利用基于3D深度残差网络与级联U-Net的分割模型对图像块进行特征提取,获得粗分割结果;最后,对粗分割结果进行精分割处理。在ISLES数据集上的实验结果表明,该算法的Dice系数可达到0.81,精确度可达到0.81,灵敏度可达到0.81,平均对称表面距离(ASSD)距离系数为1.32,HD为22.67。所提算法与3D U-Net算法、基于水平集算法、基于模糊C均值(FCM)算法和基于卷积神经网络(CNN)算法相比分割性能更好。(本文来源于《计算机应用》期刊2019年11期）
高琛[3]（2019）在《基于深度学习的缺血性脑卒中病灶分割的研究》一文中研究指出急性缺血性脑卒中是较为常见的脑血管疾病,具有高患病率、高死亡率等特性。及时准确的诊断和治疗能有效地改善脑部缺血区的供血,从而降低致残或死亡的风险。目前,对急性缺血性脑卒中的诊断往往是依靠医生对脑卒中磁共振成像(Magnetic resonance images,MRI)进行分析,通过对病灶的位置、形状、边界及大小进行观测来制定诊疗方案,但这样费时费力且会引入观测者间的主观差异。建立缺血性脑卒中病灶自动诊断方法可以帮助医生快速准确地制定诊疗方案、提高诊断准确率、缩短抢救时间。本文基于深度神经网络,提出了四种缺血性脑卒中病灶自动分割方法,并应用于缺血性脑卒中分割(Ischemic Stroke Lesion Segmentation,ISLES)2015 MRI数据库,用DICE、精确度、灵敏度及分割距离系数指标对实验分割结果进行评估,并通过与现存方案对比来说明本文所提方案的优越性。主要研究内容如下:(1)提出基于二维(Two-dimensional,2D)全卷积神经网络的缺血性脑卒中病灶分割算法。该算法首先选取缺血性脑卒中的MRI切片数据,并完成数据预处理;其次,通过U型全卷积神经网络(U-Net),对在MRI切片中的病灶灰度、像素、位置等信息进行特征提取,获得粗分割病灶;最后将提取的特征经过全连接条件随机场,通过最小化特征的能量函数,进一步优化分割结果,获得精分割病灶。将算法应用于ISLES2015数据集,结果表明,该算法该算法能较好地定位出病灶位置并大致分割出病灶轮廓,但算法准确率有待提高。(2)提出基于叁维(Three-dimensional,3D)全卷积神经网络的缺血性脑卒中病灶分割算法。为了有效地利用图像的叁维上下文信息,提高2D全卷积神经网络的性能,本文进一步提出了基于3D级联U-Net的分割算法。该算法将两个U型全卷积神经网络级联,以DWI、CBF、CBV、T1C、T2、Tmax和TTP七种模态的3D MRI影像作为网络输入,有效地利用叁维上下文信息,对多模态3D MRI的图像块采样进行特征提取,从而实现病灶的自动分割。实验结果表明,叁维全卷积神经网络能提高病灶分割准确率,训练集和测试集的分割精确度分别达到0.92和0.79,且其他客观指标也明显提升,可以满足临床自动诊断的需要。(3)提出基于非对称型3D残差U-Net网络和级联型3D深度残差网络。本文提出非对称型3D残差U-Net网络,编码网络使用残差模块,解码网络使用卷积层,编码解码构成非对称性。该算法收敛性好,分割精度高。在此基础上,将非对称型3D残差U-Net与3D U-Net进行级联,进一步提出级联型3D深度残差网络,该网络在训练过程中能获得较好的分割系数,在保证分割精度的同时,克服网络退化问题。综上所述,本文提出了四种基于深度神经网络的缺血性脑卒中病灶自动分割方法,将2D和3D多模态MRI图像经过以U-Net为架构的各种改进型网络,提取病灶和非病灶区的特征信息,从而实现病灶分割。本文将方法应用于MRI数据集,分析了算法的客观指标,比较了本文算法与现有算法的客观性能。结果表明,本文方法能有效分割病灶,具有临床应用价值。(本文来源于《南昌大学》期刊2019-05-24）
宋连嵩[4]（2019）在《基于深度学习的脑部多发性硬化症病灶分割》一文中研究指出多发性硬化症(Multiple Sclerosis,MS)是中枢神经常见疾病,在急性活动期中枢神经白质有脱髓鞘斑,陈旧病变则形成钙化斑。患者会有全身症状,严重的会致盲,记忆力下降,甚至瘫痪。目前检测MS最有效的辅助诊断手段就是磁共振成像(Magnetic Resonance Imaging,MRI)。由于专家勾画MS病灶所需时间长,难度大,实现自动分割非常有必要。针对这一问题,本文提出基于深度学习的MS病灶识别及分割方法。所进行的主要工作如下:(1)对当前图像处理技术进行研究,通过分析研究大量相关文献,对问题背景和国内外研究近况做出分析,并对现在常用的方法作了总结比较。(2)对CNN的基本原理进行介绍,简述了神经网络的发展历程以及CNN各组成部分的基本原理及其作用。(3)提出了基于CNN的MRI图像分类方法以识别脑部MRI图像的MS病灶。首先对MRI图像进行了去脑壳、偏移场校正和配准等预处理,然后对AlexNet模型作了改善,提出一种新的网络模型用于分类。此外,我们还使用了ImageNet大型数据集先进行了预训练,然后根据迁移学习的原理,将预训练得到的网络参数迁移到改进网络,经过微调处理,输入经过预处理的MRI图像作训练和测试,最终实现病灶识别。(4)提出了基于FCN的MS病灶图像分割方法。首先介绍了本文所用的网络结构以及FCN实现图像分割的关键——上采样的原理,使用超像素算法对图像进行了预分割,最后与现有方法的分割结果作对比,同时对病灶体积作了估算。(本文来源于《山东师范大学》期刊2019-04-24）
胡长军[5]（2019）在《基于多图谱多通道的多发性硬化症病灶分割方法研究》一文中研究指出随着人工智能和计算机技术在医学图像处理方面的不断应用和发展,数字医学图像为临床医学的诊断和辅助诊疗方面奠定了基础。脑部图像的处理和分析引起了专家的广泛关注。在数字医学图像的处理当中图像分割是图像识别和计算机可视化等方面的关键预处理步骤。数字医学图像分割的目的是将图像中的感兴趣区域(Region of Interest,ROI)分割处理并进行相应研究。另外,高效、精确的分割,是进行定量和定性分析、3D可视化的重要步骤。磁共振成像常被用来描述和量化多发性硬化症(MS)在大脑和脊髓的病灶。病灶的数量和体积已被用来评估多脑部白质病灶的疾病负担、跟踪疾病的进展,并在临床试验中评估新药物的效果。磁共振图像中脑部白质病灶的准确识别是极其困难的,因为病灶的位置、大小、形状以及受试者之间的解剖结构都存在差异。本文在传统马尔科夫随机场理论的基础上,针对脑白质病灶的特点提出了一种改进的基于多图谱多通道的多发性硬化症病灶分割方法。所做的研究工作如下:(1)文献的查阅和分析。首先,查阅大量的与脑部磁共振成像(MRI)和医学图像分割有关的文献,系统分析了国内外专家在医学图像分割领域的主要研究现状和未来的发展趋向。其次,阐述了MRI成像技术和数字医学图像分割的基本原理。最后,结合脑白质病灶特点以及现有的分割技术的优点,提出本文的脑白质病灶分割方法。(2)图像预处理方式的选择。实验所采用的数据集是来自磁共振扫描的公共可以获得,没有经过其它方式处理。为了分割更加精确和节省时间,提高鲁棒性,因此,进行灰度不均一性和偏差场校正,以及去头颅等操作。(3)系统阐述贝叶斯理论、马尔科夫随机场(MRF)和吉布斯随机场(GRF)原理,并且分析了它们在医学图像分割中的应用。另外,阐述传统的医学图像分割方法的缺点,在此基础之上我们采用能量最小化方法进行偏差场校正。采用结合MRF和Gibbs的稀疏贝叶斯决策理论进行病灶图像分割。最后,对同一患者的T1-w,T2-w和FLAIR图像病灶分割结果进行融合,目的是使最后分割结果更加精确。(4)实验验证和评估。在本文中采用Matlab2015b、FSL和MIPAV软件平台,对所提出的分割方法进行可行性验证和分析,对分割结果进行定量和定性评估。研究的创新之处是,(1)利用自适应稀疏贝叶斯决策定理进行多发性硬化症病灶分割,该方法与MRF和GRF相结合,目的是采用一种可靠的,鲁棒性强的MS病灶分割方法;(2)采用T1-w、T2-w和FLAIR图像相结合的多通道机制来进行病灶融合,目的是减少匹配歧义,提高分割精度;(3)进行了病灶的体积和数量的有效计算,可帮助专家进行预后和分析。研究的不足之处是,数据的灰度不均一性校正的迭代的次数相对较多,因此,多发性硬化症病灶整体处理效率没有达到理想效果。由于病灶的体积和数量的精确计算,将有利于医生进行诊断和分析,但是我们的方法还是没有达到理想的效果。(本文来源于《山东师范大学》期刊2019-04-17）
傅迎华[6]（2018）在《视网膜图像中结构与病灶的分割及变化检测》一文中研究指出眼底视网膜图像计算机辅助诊断系统可以帮助眼科医生进行决策分析,实现自动病灶筛查和快速管理,大大地减少医生的工作量。围绕眼底视网膜图像计算机辅助诊断技术,本文主要研究了若干关键问题:同一患者不同时刻图像的变化检测问题、视网膜图像中解剖结构的分割问题及糖尿病视网膜病(Diabetic Retinopathy,DR)的检测和分级问题。在临床诊断中,通常需要监测患者治疗或病情演化过程,有时候会比较同一只眼睛治疗前后采集的两幅视网膜眼底图像,检测出发生变化的区域,为医生辅助治疗提供定量分析依据;有时需要观察多个不同时刻采集的长图像序列的演化情况,比较在多个不同时间点图像的差异,检测出这段时间内的变化区域及其病情的动态演化过程。计算机辅助诊断系统在筛查病灶的同时,也希望对病情自动评级。由于视网膜黄斑变性自动评级不仅需要检测相关病灶,而且也需要分割及定位多个解剖结构,如视盘、黄斑等。解剖结构可以辅助黄斑变性评级同时也会对病灶检测结果产生干扰,因此视网膜图像中解剖结构的检测和分割也是非常重要的一个研究问题。为此,本文研究了两幅图像间及多幅长序列图像间的变化检测问题,讨论了视网膜图像中相关眼病及解剖结构的检测与分割问题,并基于此实现了黄斑变性的自动评级。本文试图通过这类研究,提升计算机辅助系统的诊断准确性,及改善其临床可用性,其主要贡献及创新点由以下几部分组成:1.针对图像对之间的变化检测问题,本文提出了基于稀疏重构及低秩分解的检测方法。首先,采用局部稀疏重构及分块背景建模的方法来检测图像对之间的变化。在该方法中,当前图像的局部背景将根据参考图像的对应区域周围的图像块集合进行稀疏重构。基于局部稀疏重构,图像对之间存在的亮度的差异性可以通过局部字典表示下的稀疏系数自动进行调整,从而克服两幅图像间的局部亮度变化对变化检测结果的影响。该类方法适用于小的变化区域的检测,但是不适用于大的变化区域的检测。为此,本文进一步提出了基于插值构造低秩图像及通过低秩分解来检测图像对之间的变化区域的方法。在进行光照预处理之后,通过插值过程,将图像对扩展为包含多幅图像的低秩长序列图像,再基于Robust Principal Component Analysis(RPCA)进行低秩分解检测出变化区域。所引入的插值计算方法可以减少序列中相邻帧的亮度差异,使得图像对的变化检测问题,转化为一个低秩矩阵的低秩分解问题,所生成的变化检测掩模更干净清晰。大量实验证明了算法的有效性。2.针对多幅长序列图像间的变化检测问题,本文提出了基于张量分解模式的低秩分解方法。从长序列图像中构造二维图像矩阵并进行RPCA低秩分解的方法可以计算变化区域。该方法可以保证了时间变化的连续性,但是破坏了图像内部的空间结构特征。为此,提出采用基于张量的RPCA方法从长序列图像中计算变化区域。该方法同时保持了图像的空间结构特征和时间连续性,以总变分来约束背景模型和前景目标的时空连续性,对序列中出现的随机非连续性干扰具有更好的稳健性,分离出来的前景特征更明显准确。本文中应用了局部块张量RPCA(PG-TenRPCA)模型进行低秩分解计算,比全局张量RPCA(H-TenRPCA)模型更多地考虑了图像的局部特征,变化检测结果对序列图像间的配准误差更稳健。3.对于视网膜图像中结构检测问题,本文提出了基于深度学习的带病灶眼底视网膜图像中血管、视盘、黄斑等解剖结构的检测与分割方法。带病灶的眼底视网膜图像中解剖结构的分割通常受病灶干扰较大。为此,本文首先研究了基于深度学习的视网膜血管检测方法,在检出血管结构的约束下,基于学习的方法进一步检测视盘和黄斑及中央凹。为了克服亮病灶对视盘检测的干扰,本文提出了集成深度学习U-Net网络、血管约束和Hough变换的检测框架来判定视盘最有可能出现的区域,去除病灶的干扰,实现视盘的精确定位。黄斑是视网膜图像中亮度较暗的区域,中央凹检测受光照影响较大。本文在准确定位视盘和血管的基础上,首先通过计算与血管空域分布相关的矢量场确定中央凹的水平位置,其次再根据解剖结构关系模型和局部区域搜索,最后实现中央凹的精确定位。4.对于DR病灶筛查,本文提出了基于深度学习的视网膜图像中糖尿病相关的四类病灶的检测方法,并实现了黄斑变性的自动分级。本文通过引入调整样本节点均衡性的权值映射,改进了正样本的稀疏性和正负样本的不均衡性问题。基于U-Net框架实现了糖尿病相关的四种视网膜病灶(渗出液、棉絮斑、出血和微动脉瘤)的同时检测。在此基础上,进一步实现了基于规则的黄斑变性自动评级系统。该系统在Messidor公开数据集上达到了较高的精度。(本文来源于《上海交通大学》期刊2018-08-08）
边成[7]（2018）在《基于深度学习的全乳超声解剖层分割与病灶检测》一文中研究指出乳腺癌是女性恶性肿瘤中的头号杀手,早期乳腺癌缺乏特异性的症状,若能够在早期筛查及时发现并治疗,治愈率会显着提高。另外,乳腺密度是早期诊断的重要指标,能够评估被试者的患癌风险,因此针对乳腺癌及早的筛查并诊断具有重要的意义。全乳自动化超声扫查系统(Automated Breast Ultrasound System,ABUS)在近年被推出,医生只需经过一次扫查即可获得完整的乳腺叁维数据,规范化的操作使得远程诊断成为可能,不久后将大规模用于乳腺癌筛查任务中。然而,全乳超声目前也存在一些问题:如ABUS系统成像模式较新而技术人员不足、成像数据量大而读片工作量增加、小病灶容易漏诊、国内外相关研究较少等。因此,本论文基于ABUS数据,提出ABUS全自动分割系统——使得能够定量计算乳腺密度;提出ABUS病灶检测系统——实现精准高效的病灶检测定位,以减轻医生的负担。本论文以ABUS数据为研究对象,分别实现ABUS解剖层分割系统与ABUS病灶检测系统。系统的前半部分需要对ABUS图像的解剖层进行分割,为了解决ABUS数据中解剖层分层不明显等问题,本论文提出基于边缘信息正则化的侧监督方法(Deep Boundary Supervision,DBS)与深度编码自编码网络(Convolutional Encoder-Decoder Network,ConvEDNet)结合,并提出两段式迁移学习的训练手段(Two-Stage Adaptive Domain Transfer,2DT)进行训练,最终的结果与目前state-of-art的分割网络进行比较均为最优,且与医生标注的结果有很好的一致性。在系统的后半部分,本论文提出基于3D-Unet的方法对ABUS数据进行病灶检测。ABUS数据存在部分病灶小,难辨别等问题,为了提高小病灶的检出率,创新地采用密集深监督池(Densely Deep Supervision,DDS)的方法增强反向传播的梯度、采用目前现有的视频分类模型C3D对网络参数分布进行初始化加快网络收敛速度;针对病灶类别不平衡的问题,设计DSC Loss对网络进行监督;针对假阳过高的问题采用全连接条件随机场(Fully Connected CRF)进行去假阳操作,结果表明采用本文提出的方法病灶敏感性可达95.27%,FPPV为3.4。本论文实现的系统是目前首个基于深度学习的ABUS图像分割与检测系统,未来将有可能在临床普查中大规模应用,具有较大临床应用价值。(本文来源于《深圳大学》期刊2018-06-30）
乐美琰,魏千越,邓炜,汪天富,邓云[8]（2018）在《基于电子计算机断层扫描图像的肝癌病灶自动分割方法研究进展》一文中研究指出肝癌是一种常见的消化系统恶性肿瘤。目前电子计算机断层扫描成像(CT)技术已在肝癌诊疗方面发挥着重要作用,而基于CT图像的肝癌病灶分割也在临床诊疗中扮演着重要角色。由于人工分割可能存在效率低、主观性强等缺点,因此利用电子计算机来实现对CT图像中肝癌病灶的准确、自动分割是当前的研究热点。本文就基于CT图像的肝癌病灶自动分割的进展予以综述,通过对比分析实验结果,评估各种分割方法,以便相关领域的科研工作者更好地了解目前肝癌CT分割方法的研究进展。(本文来源于《生物医学工程学杂志》期刊2018年03期）
贵鹿颖[9]（2017）在《基于变分偏微分方程的医学图像病灶的检测和分割》一文中研究指出随着医学成像技术、信息技术和数学的不断进步,医学影像学得到了前所未有的发展和应用,极大提高了人民的健康水平和生活质量。然而,由于医学图像数量不断增加、对图像分析的精度和速度的要求大幅提高。相比于传统的手动分割对图像中感兴趣解剖结构或病灶组织,基于人工智能和数学原理的分割算法能够快速提供更稳定、精确、可重复性更高的分割结果。因此医学图像处理算法的研究成为当前研究的热点,也是精准医学发展的一个重要方向。在临床应用中,从单一或多模态的医学图像中精确的分割出病灶区域,能够为后续的精准诊疗、手术规划和导航以及疗效评估等提供可靠的依据。但是医学图像上的病灶分割也是一个极具挑战的任务。首先,医学图像质量普遍较低,这主要是由于低对比度、高噪声、不均匀的灰度分布等因素造成的图像降质;其次,由于成像手段本身的机理,会造成同样的医学图像中,相同的器官也可能呈现出不同的灰度特征。再加上呼吸心跳等原因引起的伪影或失真,以及人工效应等多种因素的存在,目标区域会出现边界模糊甚至边界缺失等问题。另外,由于个体解剖的差异,使得同类的病灶区域在同样的成像条件下呈现出不同的灰度、纹理和形态等特征。因此,从图像中充分挖掘有用信息,排除复杂背景可能带来的干扰,成为解决问题的关键。本文从这个角度出发,研究多种医学图像中可利用信息,对信息进行充分提取和有效利用,从而实现在低对比度、强噪声和缺失部分目标边界的医学图像中对形态多变的不同感兴趣区域进行有效分割。本论文的主要结果有:1、针对医学图像普遍存的高噪声和低对比度,以及组织器官可能呈现复杂纹理和不均匀的灰度等问题,提出一种基于信息融合的变分水平集框架下的分割模型。这个模型充分利用图像的灰度特征和自适应有效尺度上的Gabor纹理特征作为数据项,从而避免单一信息可能带来的偏差。考虑到医学图像上的不确定性,采用Dempster-Shafer证据理论对两部分信息进行融合,得到更可靠的分割依据。基于信息融合的新模型能够识别超声图像上目标的弱边界,排除复杂背景可能带来的干扰,实现更精确的分割,多种模态医学图像上的多种病灶的分割结果也证明了其有效性。另外,在对52幅肾脏病灶的超声图像进行分割的量化评估和与其他方法的比较中,本模型的分割结果的平均精确度为94.7%,平均Dice系数为92.8%,高于其它五种经典的分割方法;而平均绝对表面距离(MAD)和对称平均绝对表面距离(SMAD)分别为0.11和0.13,低于其它五种方法。比较结果表明,本模型所得到的结果比其他方法更接近ground truths,这种基于DS证据理论的分割模型是稳定和有效的。2、受微分几何中等周不等式的启发,提出一种新的针对形状的'紧性'特征的定量描述,这个形状先验被称为等周约束。通过将等周约束嵌入变分水平集框架,构造了一个针对广泛存在的紧性形状的分割模型。理论分析和实验结果表明,医学图像中,人体多种器官和结构以及病灶都表现为紧性形状,从而能够被带等周约束的模型精确分割。所提的分割模型的优势主要有:等周约束项是具有尺度不变性的,它不仅对目标形状起到了约束作用,实际上同时对目标区域的周长、面积、以及曲线的光滑度都有一定的控制作用;同时,等周约束控制了周长平方与面积的比值,从而可以有效地处理目标的边缘模糊或部分缺失的问题,因此能够在各类医学图像上对多种目标区域进行分割。对超声图像和CT图像分割结果的定量评估和与CV模型和BCS模型的对比结果也证明了所提出的等周约束模型可以提供更精确的分割结果。3、研究了等周形状先验分割CT图像上的肝癌病灶区域。实验表明,这种广义的紧性形状约束,对叁种形态的肝癌区域的分割都是有效的,这一结果再次证明了对于紧性形状的约束适用于多种形状,包括微凹和不规则形状。同时,等周约束也能处理肝癌区域的边界模糊和部分缺失的问题。实验中,有一类特别的肝癌区域:它们纹理复杂,存在严重的灰度不均,且在灰度上与背景的区分度不大。在分割中,这类区域对初始化非常敏感,分割曲线极易被高梯度的伪边界所吸引。对于这类灰度严重异质区域,提出一种新的度量方法,对于区域的复杂程度进行量化评估,避免高复杂度区域内的伪边界对分割曲线的干扰。同时,研究了灰度不均匀情形下目标与背景的差异,通过区域相似度的比较来获得真正的目标边界。将区域复杂度和区域相似度这两个度量方法嵌入变分水平集框架中,提出一种新的针对灰度分布不均匀区域的分割模型。该模型对于初始化曲线的位置不敏感。在对60幅带不同类型肝癌病灶图像的分割实验中,该模型的平均准确率为92.3%,平均Dice系数为89.7%,相比于其他两种方法,分割结果更稳定,更接近ground truths。量化结果及比较结果表明,本方法对于分割这类表现复杂的肝癌区域是有效的。4、提出一种超声肾脏图像上多种病灶的自动检测方法。通过对医生人眼视觉识别病灶区域的模拟,对病灶区域进行自动检测。该方法从图像数据出发,通过与正常组织的比较得到病灶区域,由于不依赖于任何病灶的先验信息,因此能够对图像上多种不同纹理和不同形状的病灶区域进行检测。在检测结果的基础上,采用四种类型的图像局部信息,即,图像的灰度,改进的GoD-LBP局部纹理特征,边界算子,以及视觉显着性的能量平衡项,嵌入到改进的水平集框架中对目标区域进行分割。在分割过程中,真实的病变区域被精确分割,同时,伪目标区域被排除。为了评估该方法的效果,我们在肾脏超声图像上分别进行了肾囊肿和肾癌区域的自动分割实验,对于肾囊肿的平均准确率和Dice系数分别为95.33%和90.16%,对肾癌区域的平均准确率和Dice系数分别为94.22%和91.13%。与其它叁种分割方法相比,本方法也提供了更接近ground truths的分割结果。此外,由于该方法利用与正常组织以及健康器官的特征对比得到检测结果,而不依赖于病变组织的特异性特征,因此,这种方法可以扩展到处理其他器官以及不同类型病变中。(本文来源于《南京理工大学》期刊2017-09-01）
宫照煊[10]（2017）在《基于CT/MRI影像病灶组织分割的关键算法研究》一文中研究指出当今医学影像技术和计算机应用技术的迅猛发展,使计算机辅助诊断成为可能,计算机断层扫描(Computer tomography,CT)和磁共振成像(Magnetic resonance imaging,MRI)等技术为临床医生对疾病的诊断、手术和术后评估等都起到了有效的辅助作用。疾病的早期诊断能够有效检测处于隐匿期的疾病,尽可能降低患者的治疗代价。在实际的临床应用中,医学影像分割技术可以帮助临床医生提取目标感兴趣区域,还可用于感兴趣区域的叁维重建及可视化等,对患者疾病的定量分析和手术治疗都具有重要意义。因此,如何快速、准确的实现医学影像组织分割成为了当前急需解决的难点问题。本文针对目前四类严重危害人类身体健康的疾病(颈动脉粥样硬化、肺癌、脑部多发性硬化及阿尔兹海默症),研究了快速、精确的CT/MRI影像组织分割算法来应对临床诊断的需求,满足临床诊断对手术计划的制定,对疾病的早期预测以及术后恢复治疗等。本文对不同医学影像组织进行了深入的研究,提出了快速,高效的分割方法来应对临床需求,并取得了较好的效果。本文的主要研究内容包括:(1)提出了基于血管灰度先验信息水平集的颈动脉全自动分割算法。颈动脉形状多变,部分血管与软组织发生粘连,血管发生钙化等因素的影响加大了颈动脉分割的难度。本文利用区域增长法实现主动脉的自动提取,根据主动脉的灰度信息建立血管灰度信息模型并作为水平集函数的约束项,通过水平集演化得到完整的颈动脉组织。(2)提出了基于分数阶微分增强的肺血管分割算法。肺血管组织形状多变,部分细小血管与肺部其它组织或病变区域的灰度差异小等难点。针对以上问题,本文首先利用数学形态学及区域增长方法实现肺实质区域提取,然后利用分数阶微分方法对细小血管进行灰度增强,最后通过局部阈值分割得到完整的肺血管组织。实验采用VELLEL12提供的肺部20组数据进行了测试,本文方法与其它方法进行了对比,结果显示本文方法在运行速度,分割精度等指标上都有较大优势。(3)提出了基于能量最小化的MRI脑部多发性硬化分割算法。多发性硬化通常发生在脑灰质区域,且形状多变,大小不一,部分硬化组织与脑白质的灰度值相近,加大了分割难度。针对上述问题,本文首先利用能量最小化方法实现脑组织的自动提取,分离脑损伤区域与脑白质区域,再利用图像均值方差信息实现脑损伤区域的精确分割。(4)提出了基于多图谱配准融合的脑海马体全自动分割算法。在MRI影像中,海马体组织与其周围组织的灰度差异很小,且在不同层图像中形状变化较大,传统的分割方法很难准确地分割出3D海马体组织。针对上述问题,本文首先利用多图谱配准得到不同的标号影像,然后将这些标号影像加入到水平集融合项中,最后通过对融合项,图像信息项以及长度约束项的能量函数最小化实现脑海马体区域的自动提取。实验采用了 MICCIA2012提供的脑部区域的训练集和测试机数据,本文方法也与其它融合方法进行了对比,实验结果显示本文方法的Dice值可以达到0.84左右,分割精度较高,得到的3D海马体表面更光滑。(本文来源于《东北大学》期刊2017-07-01）
病灶分割论文开题报告
（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：
为了解决人工勾画缺血性脑卒中病灶费时费力且易引入主观差异的问题,提出了一种基于叁维(3D)深度残差网络与级联U-Net的自动分割算法。首先,为了有效利用图像的3D上下文信息并改善类不平衡现象,将脑卒中核磁共振图像(MRI)采样成图像块作为网络输入;然后,利用基于3D深度残差网络与级联U-Net的分割模型对图像块进行特征提取,获得粗分割结果;最后,对粗分割结果进行精分割处理。在ISLES数据集上的实验结果表明,该算法的Dice系数可达到0.81,精确度可达到0.81,灵敏度可达到0.81,平均对称表面距离(ASSD)距离系数为1.32,HD为22.67。所提算法与3D U-Net算法、基于水平集算法、基于模糊C均值(FCM)算法和基于卷积神经网络(CNN)算法相比分割性能更好。
（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。
病灶分割论文参考文献
[1].王兰,张欢,葛颖倩,陆静,崔征.胃癌肝转移病灶的人工智能辅助半自动分割软件的临床应用评估[J].诊断学理论与实践.2019
[2].王平,高琛,朱莉,赵俊,张晶.基于3D深度残差网络与级联U-Net的缺血性脑卒中病灶分割算法[J].计算机应用.2019
[3].高琛.基于深度学习的缺血性脑卒中病灶分割的研究[D].南昌大学.2019
[4].宋连嵩.基于深度学习的脑部多发性硬化症病灶分割[D].山东师范大学.2019
[5].胡长军.基于多图谱多通道的多发性硬化症病灶分割方法研究[D].山东师范大学.2019
[6].傅迎华.视网膜图像中结构与病灶的分割及变化检测[D].上海交通大学.2018
[7].边成.基于深度学习的全乳超声解剖层分割与病灶检测[D].深圳大学.2018
[8].乐美琰,魏千越,邓炜,汪天富,邓云.基于电子计算机断层扫描图像的肝癌病灶自动分割方法研究进展[J].生物医学工程学杂志.2018
[9].贵鹿颖.基于变分偏微分方程的医学图像病灶的检测和分割[D].南京理工大学.2017
[10].宫照煊.基于CT/MRI影像病灶组织分割的关键算法研究[D].东北大学.2017