目前,臨床醫(yī)生對許多疾病的診斷都依賴于對醫(yī)學圖像的觀察分析。然而,由于醫(yī)學儀器本身成像質(zhì)量的局限性以及臨床醫(yī)生在觀察分析時的主觀誤差,會導致誤診或漏診的現(xiàn)象發(fā)生。為了解決這個問題,基于計算機輔助診斷的圖像自動分析方法一直備受矚目。近年來,深度學習方法因其強大的特征自學能力,被不斷引入到醫(yī)學圖像領(lǐng)域的各種應(yīng)用中,如疾病分類、預(yù)測、病灶分割等,且都獲得了較大成功。相比于傳統(tǒng)的機器學習方法,深度學習方法能夠免去特征工程的繁雜,通過卷積等操作高效地識別出目標特征進而完成特定任務(wù)。然而,其在醫(yī)學圖像領(lǐng)域的應(yīng)用仍面臨許多困難。醫(yī)學圖像的數(shù)據(jù)量往往較小,這會使得模型訓練不充分,導致模型性能較差;成像儀器由于硬件或者參數(shù)的不同成像結(jié)果差異較大,有些儀器成像質(zhì)量較差,這些因素進一步加大了模型優(yōu)化的難度,且對模型的泛化能力要求較高。針對上述問題,本文基于胎盤超聲圖像和皮膚鏡圖像來探索深度學習方法在醫(yī)學圖像領(lǐng)域的應(yīng)用。主要研究成果包括基于混合描述符的胎盤成熟度自動分級、基于卷積描述符聚合策略的黑色素瘤自動識別以及基于雙判別強化生成對抗網(wǎng)絡(luò)的皮膚損傷區(qū)域自動分割。在胎盤成熟度分級的研究中,本文主要提出了一種混... 

【文章來源】：深圳大學廣東省

【文章頁數(shù)】：67 頁

【學位級別】：碩士

【圖文】：

基于皮膚鏡圖像的皮膚病變自動分割的主要挑戰(zhàn)

胎盤成熟度自動分級框架

左側(cè)為圖像梯度，右側(cè)為關(guān)鍵點描述符


本文編號：2952508