导读:本文包含了磁共振图像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:MR脑部图像分割,卷积神经网络,深度可分离卷积,多通道融合
磁共振图像分割论文文献综述
郭彤宇,王博,刘悦,魏颖[1]（2019）在《多通道融合可分离卷积神经网络下的脑部磁共振图像分割》一文中研究指出目的卷积神经网络方法可以提取到图像的深层次信息特征,在脑部磁共振图像(MRI)分割领域展现出优秀的性能。但大部分深度学习方法都存在参数量大,边缘分割不准确的问题。为克服上述问题,本文提出一种多通道融合可分离卷积神经网络(MFSCNN)模型分割脑图像。方法首先,在训练集中增加待分割脑结构及其边缘像素点的权重,强制使网络学习如何分割脑结构边缘部分,从而提升整体脑结构分割的准确率。其次,引入残差单元,以避免梯度弥散,同时使用深度可分离卷积代替原始的卷积层,在不改变网络每个阶段特征通道数的情况下,减少了网络训练的参数数量和训练时间,降低了训练成本。最后,将不同阶段的特征信息合并在一起,进行通道混洗,得到同时包含深浅层次信息的增强信息特征,加入到网络中进行训练,每个阶段的输入特征信息更丰富,学习特征的速度和收敛速度更快,显着地提升了网络的分割性能。结果在IBSR(internet brain segmentation repositor)数据集上的分割结果表明,MFSCNN的分割性能相对于普通卷积神经网络(CNN)方法要明显提高,且在边缘复杂的部分,分割效果更理想,Dice和IOU(intersection over union)值分别提升了0. 9%6. 6%,1. 3%9. 7%。在边缘平滑的部分,MFSCNN方法比引入残差块的神经网络模型(Res CNN)和引入局部全连接模块的神经网络模型(Dense CNN)分割效果要好,而且MFSCNN的参数量仅为Res CNN的50%,Dense CNN的28%,在提升分割性能的同时,也降低了运算复杂度,缩短了训练时间。同时,在IBSR、Hammer67n20、LPBA40这3个数据集上,MFSCNN的分割性能比现有的其他主流方法更出色。结论本文提出的MFSCNN方法,加强了网络特征的信息量,提升了网络模型的训练速度,在不同数据集上均获得更精确的MR脑部图像分割结果。(本文来源于《中国图象图形学报》期刊2019年11期）
马静,张苏元[2]（2019）在《肝脏磁共振图像分割方法的研究》一文中研究指出肝脏磁共振图像分割是诊断肝脏疾病的重要手段之一,偏移场是肝脏磁共振图像中通常存在的灰度不均匀现象,由于偏移场的存在,导致图像分割效果不理想。本文采用正则化相邻局部灰度聚类算法对肝脏磁共振图像进行偏移场矫正,在能量函数中加入辅助变量来解决非凸隶属函数,通过迭代计算得到最优偏移场矫正结果,并采用基于水平集的图像分割算法对矫正后图像进行分割,通过差值图像,灰度直方图,杰卡德系数和戴斯系数来评价本文算法的性能及图像分割效果,并与N4算法进行对比分析。仿真结果表明,相邻局部灰度聚类算法引入总变分项矫正后,图像与原始图像差值更大,灰度分布更均匀,图像分割结果更准确,便于医生进行病理观察及诊断。(本文来源于《第30届中国过程控制会议（CPCC 2019）摘要集》期刊2019-07-31）
张玉柱,王传兵[3]（2019）在《基于先验知识和模糊C均值聚类算法的脑部磁共振图像分割研究》一文中研究指出目的:提出一种基于先验知识引导的模糊C均值算法(PIGFCM),并将其应用于脑部磁共振(MR)图像分割。方法:采用基于高斯分布的图像先验知识获取初始聚类中心;采用改进PIGFCM聚类算法进行图像分割,得到MR脑部分割图像;采用Dice相似性系数、均方根误差(RMSE)和平均耗时评价不同算法的分割效果。结果:对于人工合成的脑部MR图像分割算法所得的Dice相似性系数可达0.87～0.98,平均耗时降低了0.17～0.81倍。对于临床实例MR图像分割算法所得脑白质和灰质的Dice相似性系数较其他算法分别提升12.8%～16.6%和1.1%～40.4%,RMSE下降了0.63～0.94倍,平均耗时降低了0.08～0.75倍。结论:提出PIGFCM算法收敛速度快,较其他常见模糊算法获得更高的分割精度、更强的抗噪性和更快的分割速度,是一种可行的脑部MR图像分割算法。(本文来源于《中国医学装备》期刊2019年07期）
高卫红[4]（2019）在《基于机器学习的胶质母细胞瘤多模态磁共振图像分割方法研究》一文中研究指出目的胶质母细胞瘤(glioblastoma multiforme,GBM)是由星形胶质细胞分化形成的颅内原发恶性肿瘤,具有生存率低、致残率高、病死率高等特点,对患者伤害巨大,无论是疾病的诊断、治疗方案的提出还是预后观察,均需对GMB进行定位和诊断。多模态MR图像含有丰富的组织结构信息,被广泛地应用于GBM的诊疗。目前临床上主要依赖放射科医生利用MR图像手动分割GBM,但其组织在MR图像中存在灰度差异不明显、周围常有水肿、边界不清等问题,且专家手动分割复杂繁琐、可重复性差。因此,精确手动分割GBM存在极大挑战。自动方法可以避免因人为因素造成的误分割,结果相对客观,能极大程度地减轻医生工作强度。因此,自动分割GBM多模态MR图像具有极其重要的临床意义。方法针对现有大多数GBM多模态MR图像分割算法未实现细分割肿瘤区域的问题,本文提出了一种基于随机森林的GBM多模态MR图像分割方法。首先,配准GBM 3个模态MR图像后使用N4ITK方法进行偏置场校正;其次,提取MR图像的位置特征、强度特征、纹理特征、上下文特征和对称特征后,应用随机森林分类器获得初步分割结果;最后,移除小于200像素的区域后使用5×5的中值滤波平滑各区域边界得到基于随机森林的GBM分割结果。在此基础上,本文为进一步提高GBM自动分割的准确性,提出了基于叁维区域生长的GBM多模态MR图像分割方法。首先,计算得分图与肿瘤区域掩模,利用肿瘤区域掩模获取肿瘤区域信息,进而分析肿瘤区域置信度与精度;其次,选择种子点进行叁维区域生长,将高分区域替换随机森林模型初步分割的相应区域,生成新的训练数据;再次,利用新的训练数据训练随机森林模型,将训练后的随机森林模型依据初始提取的219种底层特征对各像素进行分类;最后,移除小于200像素的区域后使用5×5的中值滤波平滑各区域边界得到基于叁维区域生长的GBM分割结果。结果本文利用两种分割方法将MR图像分割为正常脑组织区域、肿瘤坏死区域、活跃肿瘤区域、除去肿瘤坏死区域和活跃肿瘤区域的T1异常区域和不包含T1异常区域的FLAIR异常区5大区域,采用Dice相似性系数、敏感度、特异度叁个指标分别对整个肿瘤区域和以上4个肿瘤子区域分割性能进行评估。实验结果显示,基于随机森林的GBM多模态MR图像分割方法,其Dice相似性系数分别为0.869、0.748、0.857、0.768、0.681,敏感度分别为0.851、0.739、0.872、0.745、0.667,特异度分别为0.9942、0.9949、0.9958、0.9937、0.9933;基于叁维区域生长的GBM多模态MR图像分割方法,其Dice相似性系数分别为0.877、0.763、0.865、0.771、0.702,敏感度分别为0.853、0.742、0.874、0.748、0.673,特异度分别为0.9946、0.9965、0.9963、0.9941、0.9937。结论从实验结果可看出,本文提出的两种GBM多模态MR图像自动分割方法均能得到较好的分割结果。通过比较分析可知,基于叁维区域生长的GBM多模态MR图像分割方法在不同肿瘤子区域分割相似性、敏感度和特异度上显示出了较为优异的性能。本文为自动分割GBM多模态MR图像提供了一种思路,在GBM的早期诊断、手术定位等应用方面具有一定的临床参考价值。(本文来源于《浙江中医药大学》期刊2019-06-01）
董家修[5]（2019）在《基于Capsule网络的心脏磁共振图像分割算法研究》一文中研究指出近年来,心血管疾病的死亡率逐年递增,严重影响着国民生活质量和生命健康,因而对心血管疾病做早期辅助诊断的研究具有重要意义。心脏核磁共振成像(Magnetic Resonance Imaging,MRI)是心血管疾病的一种重要检查方式。心脏磁共振图像分割是实现心脏功能指标计算的基础,可为心血管疾病的临床辅助诊断提供参考信息。由于边界模糊、灰度分布不均匀等因素,导致现有的MRI图像分割算法的自动化程度不高、对噪声的鲁棒性较差等问题。在分析现有分割算法不足的基础上,本文提出了一种基于Capsule网络的心脏磁共振图像分割模型。本文的主要研究工作有:(1)针对MICCAI2009数据集中图像标注不完整的问题,本文提出了一种基于水平集(Level set)的心脏磁共振图像半自动标注模型,实现心脏磁共振图像序列的标注,为训练模型提供完整、高质量的数据集。该模型使用0水平集表示心肌内膜,k水平集表示心肌外膜,并对两水平集之间的距离进行约束。基于此建立心室标注的能量函数,通过最小化能量函数实现心脏磁共振图像的标注。实验表明,本文所提出模型完成了对心脏磁共振图像的标注,解决了MICCAI2009数据集中图像标注不完整的问题。(2)针对现有深度神经网络难以同时对心肌内外膜进行建模的问题,本文提出了一种基于Capsule网络的心脏磁共振图像分割模型。该模型以Capsule网络为基础,利用Capsule网络的各个胶囊之间的并行独立性,通过神经胶囊提取图像信息,增加全连接层、反卷积层以达到分割的目的。实验结果表明,本文所提出模型实现了对心肌内外膜的高效分割,戴斯系数值可达0.9417;当加入不同高斯噪声时,戴斯系数值仍保持在0.93左右,表明本文所提出的模型具有良好的噪声鲁棒性。本文提出了基于水平集(Level set)的心脏磁共振图像半自动标注算法,为训练模型提供了完整、高质量的数据集。在获得完整数据集的基础上,提出了基于Capsule网络的心脏磁共振图像分割模型,实现了对心脏磁共振图像高效、准确分割。对心血管疾病的辅助诊断具有重要意义。(本文来源于《郑州大学》期刊2019-04-01）
尹航[6]（2019）在《基于深度学习的心室核磁共振图像分割研究与应用》一文中研究指出近年来心血管疾病(Cardiovascular Disease,CVD)对人类健康造成了严重威胁,引起了人们的广泛关注。目前对心血管疾病的诊断主要通过多层螺旋CT、超声心动图及核磁共振来完成。其中核磁以其高时间分辨率、无辐射、成像清晰等特点在医疗应用中被普遍使用,然而手动分割核磁图像费时费力且容易出错,因此自动化分割十分必要。由于心室内膜标记为心室体积计算、射血分数等指标提供重要依据,因此科研人员在研究与实践中对心室内膜边缘检测进行不断探索以提高心功能指数计算的准确率。本文基于心室短轴核磁切片数据,对心室内膜分割开展了研究,主要研究内容如下:1.针对心室核磁图像公开数据集样本较少的情况,本文从甘肃省某医院采集了 128位患者的16000张心室短轴核磁切片图像并对左右心室内膜边界进行逐一标记,制作了规模较大的数据集。2.针对心室核磁图像灰度分布不均匀、内膜边界对比度低等问题,本文在分析常见滤波和图像增强算法的基础上,采用双边滤波和限制对比度的自适应直方图均衡化算法来提高数据质量,为准确标记和分割图像提供基础。3.研究了心室核磁切片的分层设计模型,并与基于深度学习的Mask R-CNN算法相结合对心室内膜边缘进行检测,本文对测试集中一个心动周期内所有图像进行测试,实验结果表明左右心室的平均DM(Dice Metric)系数分别为0.92和0.89,HD(Hausdorff Distance)系数分别为4.78mm和7.03mm,达到很好效果。4.基于上述研究,本文对心室第二层(近叁尖瓣)核磁切片的舒张末期与收缩末期面积的比例关系进行研究,并通过该特征将心室收缩功能正常与异常患者进行分离。综上,本文通过心室分层设计与Mask R-CNN算法相结合,能够自动化分割心室内膜边缘且效果良好,为今后的相关研究工作提供了一定参考。(本文来源于《兰州大学》期刊2019-04-01）
何颖,张耀楠,尹慧平[7]（2019）在《右心室磁共振图像分割算法研究》一文中研究指出针对右心室心腔几何形状复杂,解剖结构特殊,心脏磁共振图像难以准确分割。为了使右心室磁共振图像的形态结构和功能异常的检测和诊断对心脑血管疾病能起到很好的作用,通过对阈值分割法、区域生长分割法、K-Means聚类分割方法以及基于阈值水平集分割方法对右心室磁共振图像进行分割算法分别做比对,实验结果表明,通过基于阈值水平集的分割方法具有更高的有效性,分割结果较为准确。(本文来源于《电视技术》期刊2019年02期）
兰红,韩纪东[8]（2018）在《基于CV模型改进的磁共振成像图像分割方法》一文中研究指出为解决灰度变化缓慢、边缘变化不明显的磁共振成像(magnetic resonance imaging,MRI)图像的分割问题,在CV(Chan-Vese)模型的基础上,改进了CV模型的能量泛函,同时用新的边缘指示函数来替换Dirac函数,优化了CV模型的参数,提高了CV模型的分割精度和分割速度。首先,引入了一个新的局部项。用局部直方图均衡化预处理过的图像与原图像相减得到目标边缘变化较为明显的图像,并将其作为局部项引入到CV模型的能量泛函。然后,由局部项构建新的边缘指示函数。用新构建的边缘指示函数代替Dirac函数,解决了CV模型演化曲线不能检测远离目标的边缘的问题。最后,优化平滑项参数,减少迭代次数提高运行效率。实验结果显示,算法对脑部复发性胶质母细胞瘤的MRI图像具有较好的分割效果。(本文来源于《科学技术与工程》期刊2018年28期）
杨雨婷[9]（2018）在《基于超体素与全卷积神经网络的大脑磁共振图像分割的研究》一文中研究指出大脑是人体最重要的器官之一,它的健康问题一直是人们关注的重点。随着医学成像技术的发展,磁共振成像技术(Magnetic Resonance Imaging,MRI)已经成为诊断大脑状况的一个重要手段。大脑图像的分割在临床医学中对疾病诊断、病灶组织的定位以及疾病的治疗方案等具有重要的指导意义,但是手动分割大脑核磁共振图像是一个非常耗时且繁琐的任务。自动、准确地分割大脑MRI图像已经成为医学辅助诊断与治疗的重要话题。卷积神经网络(Convolutional Neural Network,CNN)是深度学习领域的一个重要组成部分,它通过优化算法不断优化从数据集中学习到的数据分布,然后将该分布应用于目标数据来完成特定任务,然而传统的CNN并不能直接应用于图像的分割任务。全卷积神经网络(Fully Convolutional Network,FCN)实现了端到端的分类,即直接分割功能。但是FCN这类端到端的卷积神经网络模型也无法避免在下采样等网络传递过程中细节特征的丢失,在上采样时这些细节信息难以恢复。大脑组织纹理复杂,各组织分布分散,细节较多,卷积神经网络中细节信息的丢失会影响大脑组织的细节分割。为了克服全卷积神经网络在处理MRI图像分割问题上的不足,本文设计了一种融合超体素与卷积神经网络的叁维脑MRI图像分割算法。经典的Inception模块能通过四个并行分支提供更为稠密的特征信息,这能有效弥补FCN中过多细节信息丢失的问题,所以本文将Inception模块引入到了FCN中。另外,由于超体素具有边界贴合与同质性等特点,能十分方便快速地提供边界、细节信息,因此在叁维空间上将超体素提供的细节信息与卷积神经网络学习到的局部、全局特征进行融合,实现脑MRI图像的有效分割。为了评估本文提出的脑MRI图像的分割算法的性能,本文选择了通用的IBSR18和BrainWeb20数据集进行实验,并考察了超体素个数与算法中参数对算法性能的影响。算法性能的评估采用了Dice、Mean IU、AVD和Hausdorff距离四个指标。大量的实验证明,该算法可以将脑MRI图像有效地分割成脑脊液、灰质和白质和背景四个部分,相较于经典算法有显着优势。(本文来源于《东南大学》期刊2018-06-12）
陶永鹏,刘朝霞,顼聪[10]（2018）在《基于GPU运算的脑部核磁共振图像分割算法》一文中研究指出使用脑部核磁共振图像(MRI)检测大脑组织中白质与灰质的变化已经变得积极和富有挑战性。本文提出基于GPU运算的平行模糊C均质聚类算法(FCM),并比较了在不同平台上执行FCM算法的效能。研究结果发现,利用GPU进行MRI图像分割处理时,图像输出相同,同时有效缩短了运行时间,其运算效能比基于CPU的运算效能至少提高7倍;使用单精度浮点运算和传统的Memory-copy数据传输方式就能获得较好的较能和准确率;基于GPU运算的运算平台更具性价比。(本文来源于《电视技术》期刊2018年06期）
磁共振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：
肝脏磁共振图像分割是诊断肝脏疾病的重要手段之一,偏移场是肝脏磁共振图像中通常存在的灰度不均匀现象,由于偏移场的存在,导致图像分割效果不理想。本文采用正则化相邻局部灰度聚类算法对肝脏磁共振图像进行偏移场矫正,在能量函数中加入辅助变量来解决非凸隶属函数,通过迭代计算得到最优偏移场矫正结果,并采用基于水平集的图像分割算法对矫正后图像进行分割,通过差值图像,灰度直方图,杰卡德系数和戴斯系数来评价本文算法的性能及图像分割效果,并与N4算法进行对比分析。仿真结果表明,相邻局部灰度聚类算法引入总变分项矫正后,图像与原始图像差值更大,灰度分布更均匀,图像分割结果更准确,便于医生进行病理观察及诊断。
（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。
磁共振图像分割论文参考文献
[1].郭彤宇,王博,刘悦,魏颖.多通道融合可分离卷积神经网络下的脑部磁共振图像分割[J].中国图象图形学报.2019
[2].马静,张苏元.肝脏磁共振图像分割方法的研究[C].第30届中国过程控制会议（CPCC2019）摘要集.2019
[3].张玉柱,王传兵.基于先验知识和模糊C均值聚类算法的脑部磁共振图像分割研究[J].中国医学装备.2019
[4].高卫红.基于机器学习的胶质母细胞瘤多模态磁共振图像分割方法研究[D].浙江中医药大学.2019
[5].董家修.基于Capsule网络的心脏磁共振图像分割算法研究[D].郑州大学.2019
[6].尹航.基于深度学习的心室核磁共振图像分割研究与应用[D].兰州大学.2019
[7].何颖,张耀楠,尹慧平.右心室磁共振图像分割算法研究[J].电视技术.2019
[8].兰红,韩纪东.基于CV模型改进的磁共振成像图像分割方法[J].科学技术与工程.2018
[9].杨雨婷.基于超体素与全卷积神经网络的大脑磁共振图像分割的研究[D].东南大学.2018
[10].陶永鹏,刘朝霞,顼聪.基于GPU运算的脑部核磁共振图像分割算法[J].电视技术.2018