發(fā)布時(shí)間：2021-02-25 10:02

　　肝臟是人體內(nèi)最大的實(shí)質(zhì)性器官,血管豐富,結(jié)構(gòu)復(fù)雜,肝病種類多且發(fā)病率高,已嚴(yán)重影響了人類的健康和生命。肝臟手術(shù)是治療肝臟疾病最常用的方法之一,其需要將肝臟從CT圖像中分割出來,進(jìn)行處理分析,獲取病理、物理、解剖等方面的信息,為手術(shù)方案的制定提供理論基礎(chǔ)。而通常是由有經(jīng)驗(yàn)的專家根據(jù)先驗(yàn)知識(shí)人工勾畫肝臟的輪廓,耗時(shí)耗力且主觀性強(qiáng),因此研究全自動(dòng)的肝臟分割是肝臟手術(shù)治療的首要任務(wù),具有很重要的現(xiàn)實(shí)意義和應(yīng)用價(jià)值。近年來,有大量的研究者提出了半自動(dòng)或全自動(dòng)的肝臟CT圖像分割方法,取得了一定的效果。但依然存在很多問題,例如肝臟與其周圍相鄰組織器官灰度高度相似和部分容積效應(yīng)導(dǎo)致肝臟的分割結(jié)果超出肝臟區(qū)域、樣本分布不平衡和定位信息不足等影響肝臟分割的效果,因此目前尚未形成統(tǒng)一且有效的分割方法,不能直接運(yùn)用于臨床診斷和治療中。為了解決以上問題,本文提出了相應(yīng)的改進(jìn)方法。本文的創(chuàng)新主要有以下兩點(diǎn),總結(jié)如下:（1）針對(duì)經(jīng)典語義分割模型DeepLab中存在的分類信息足,但定位信息不足的問題,提出了一種能融合多層級(jí)特征且保留中間層特征的RV-DeepLab模型。該模型使用跳躍連接融合多層級(jí)特征且重新引入中間層... 

【文章來源】：重慶大學(xué)重慶市 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：71 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

肝臟分割中面臨的挑戰(zhàn)Figure1.1challengesinliversegmentation

重慶大學(xué)碩士學(xué)位論文2相關(guān)研究基礎(chǔ)84383318885056132260412131éùêúêúêúêúêúêú此時(shí)為第二次生長，邊界處剩下灰度值為1、3、5、6的像素，生長區(qū)域包進(jìn)了邊界處灰度值為6的像素，生成的新矩陣為：4383318885058132260412131éùêúêúêúêúêúêú此次生長為第三次生長，生長后將停止生長。邊界處剩下灰度值為仍然1、3、5、6的像素，生長區(qū)域包進(jìn)了邊界處灰度值為5和6的像素，生成的新矩陣為：4383318885088132280412131éùêúêúêúêúêúêú圖2.1基于區(qū)域生長方法的肝臟分割結(jié)果Figure2.1Liversegmentationresultsbasedonregionalgrowth基于區(qū)域生長的肝臟CT圖像分割方法的分割結(jié)果如圖2.1所示，左邊圖是在原始圖像中選取了三個(gè)位置作為種子點(diǎn)，右邊圖是基于三個(gè)種子點(diǎn)生長得到的肝臟分割結(jié)果。此方法是一個(gè)從局部到整體的方法，從一個(gè)像素點(diǎn)出發(fā)，逐像素點(diǎn)

重慶大學(xué)碩士學(xué)位論文2相關(guān)研究基礎(chǔ)11圖2.3邊緣和導(dǎo)數(shù)的曲線規(guī)律Figure2.3Curvelawofedgeandderivative②串行輪廓跟蹤算法串行輪廓跟蹤算法在跟蹤圖像以前，需要對(duì)圖像進(jìn)行平滑以及利用形態(tài)學(xué)方法清除噪聲點(diǎn)、空洞等無需的部分。其一般分為三個(gè)步驟：1）在肝臟CT圖像中挑選一個(gè)或多個(gè)邊緣像素點(diǎn)作為搜索的起始邊緣像素點(diǎn)；2）憑借搜索策略、數(shù)據(jù)結(jié)構(gòu)以及先前發(fā)現(xiàn)所有的邊緣像素點(diǎn)確定接下來檢測(cè)的目標(biāo)，并且對(duì)其進(jìn)行檢測(cè)操作；3）指定搜索終止的條件，一般形成閉合邊界即可終止，當(dāng)滿足終止條件，則停止搜索。2.3基于特定理論的肝臟CT圖像分割方法基于特定理論的肝臟CT圖像分割方法包括運(yùn)用遺傳算法、圖論、數(shù)學(xué)形態(tài)學(xué)、活動(dòng)輪廓等理論來實(shí)現(xiàn)對(duì)肝臟CT圖像的分割。遺傳算法是根據(jù)生物自然選擇、進(jìn)化以及遺傳的思想而得到的一種全局優(yōu)化且可自適應(yīng)隨機(jī)搜索的算法。遺傳算法通過選擇、交叉、變異等操作進(jìn)化成新群體，使初始化群體優(yōu)化到最優(yōu)狀態(tài)。在肝臟CT圖像分割中，遺傳算法能夠利用最少的時(shí)間找到全局最優(yōu)的分割閾值[25]，解決算法收斂性差的問題，得到精確的分割結(jié)果。在肝臟的輪廓模糊匹配中[26]，使用遺傳算法減少錯(cuò)誤匹配的問題，讓其能夠更加準(zhǔn)確表達(dá)肝臟輪廓匹配中的約束，進(jìn)而產(chǎn)生比較理想的分割效果。此外，還有許多的研究學(xué)者將遺傳算法運(yùn)用于肝臟CT圖像分割的各類優(yōu)化問題中，增強(qiáng)算法的魯棒性�；趫D論的肝臟CT圖像分割方法主要有圖切割[27][28][29]和隨機(jī)游走[30]，其主要思想是將肝臟CT圖像映射成帶權(quán)無向圖，肝臟圖像中的每個(gè)像素點(diǎn)與無向圖的a(b)(c)(d)

【參考文獻(xiàn)】：
期刊論文
[1]基于3D卷積神經(jīng)網(wǎng)絡(luò)的肝臟自動(dòng)分割方法[J]. 何蘭,吳倩.  中國醫(yī)學(xué)物理學(xué)雜志. 2018(06)
[2]基于序列間先驗(yàn)約束和多視角信息融合的肝臟CT圖像分割[J]. 彭佳林,揭萍.  電子與信息學(xué)報(bào). 2018(04)
[3]基于配準(zhǔn)分割的Graph Cuts自動(dòng)分割算法在肝臟圖像中的研究[J]. 王建軍,謝勤嵐.  計(jì)算機(jī)與數(shù)字工程. 2018(03)
[4]基于全卷積神經(jīng)網(wǎng)絡(luò)的肝臟CT影像分割研究[J]. 郭樹旭,馬樹志,李晶,張惠茅,孫長建,金蘭依,劉曉鳴,劉奇楠,李雪妍.  計(jì)算機(jī)工程與應(yīng)用. 2017(18)
[5]基于三維動(dòng)態(tài)區(qū)域生長算法的肝臟自動(dòng)分割[J]. 仇清濤,段敬豪,鞏貫忠,李登旺,尹勇.  中國醫(yī)學(xué)物理學(xué)雜志. 2017(07)
[6]基于圖割和邊緣行進(jìn)的肝臟CT序列圖像分割[J]. 廖苗,趙于前,曾業(yè)戰(zhàn),黃忠朝,鄒北驥.  電子與信息學(xué)報(bào). 2016(06)
[7]基于區(qū)域的肝臟病灶CT圖像分割及實(shí)現(xiàn)[J]. 彭微.  信息技術(shù). 2011(11)
[8]基于遺傳算法的輪廓模糊匹配問題研究[J]. 韓逢慶,李紅梅,張建勛,紀(jì)綱,劉全利.  系統(tǒng)仿真學(xué)報(bào). 2004(04)

碩士論文
[1]基于深度學(xué)習(xí)的肝臟CT影像分割方法的研究與應(yīng)用[D]. 馬樹志.吉林大學(xué) 2017
[2]肝臟圖像智能分割技術(shù)的研究[D]. 魯錦樑.浙江工業(yè)大學(xué) 2017
[3]基于三維Snake模型的肝臟CT圖像交互式分割系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D]. 劉星.華中科技大學(xué) 2016
[4]肝臟CT圖像分割及三維重建算法研究[D]. 黃敏.重慶大學(xué) 2013



本文編號(hào)：3050807