隨著科學技術(shù)的發(fā)展,穿刺介入手術(shù)在人體活體體檢、腰椎穿刺、靶點藥物注射等方面得到了廣泛的應用。在介入手術(shù)的引導方面,超聲圖像由于侵入無創(chuàng)、成像速度快、性價比高等優(yōu)點應用越來越廣泛。然而,在進行活體穿刺手術(shù)時,由于自然呼吸運動的影響,目標及障礙的位置也會隨之發(fā)生變化,因此,如何實現(xiàn)穿刺探針的術(shù)前穿刺路徑規(guī)劃及術(shù)中穿刺路徑的微調(diào)越來越重要。針對上述問題,本文將障礙及目標的運動信息和穿刺探針的穿刺路徑規(guī)劃相結(jié)合,提出了一種基于超聲圖像引導的微創(chuàng)探針動態(tài)穿刺路徑規(guī)劃方法,對超聲圖像中的目標檢測、目標自動分割、目標跟蹤和基于目標及障礙運動信息的柔性針穿刺軌跡規(guī)劃進行深入研究。首先,基于超聲圖像對于血管區(qū)域進行自動提取。對于采集到的超聲圖像,采用形態(tài)學濾波去除超聲圖像中的標注信息;將現(xiàn)有的基于深度學習的目標檢測算法應用到超聲圖像中的感興趣區(qū)域（ROI）提取上,并對其進行改進,采用改進后的目標檢測算法提取出肝超聲圖像中的血管區(qū)域,提取出的血管區(qū)域超聲圖像將直接用于后續(xù)血管分割。其次,基于超聲圖像進行血管分割。根據(jù)超聲圖像的特點,采用直方圖均衡化對超聲圖像進行預處理;采用基于U-net的超聲圖像分割算... 

【文章來源】：哈爾濱工業(yè)大學黑龍江省211工程院校985工程院校

【文章頁數(shù)】：65 頁

【學位級別】：碩士

【部分圖文】：

超聲消融治療肝癌的經(jīng)皮穿刺手術(shù)原理圖[3]

哈爾濱工業(yè)大學工學碩士學位論文-3-將現(xiàn)有的醫(yī)療資源最大化改善，同時帶來極大的經(jīng)濟效益。1.2國內(nèi)外研究現(xiàn)狀及分析1.2.1目標檢測研究現(xiàn)狀目標區(qū)域自動檢測的實現(xiàn)可以極大的提高后續(xù)目標的識別與跟蹤的速度和準確度，而對于超聲圖像中目標狀態(tài)的實時獲取對于穿刺探針的動態(tài)路徑規(guī)劃具有極大的指導意義。因此，目標區(qū)域的檢測為首先要解決的問題。目標檢測，就是利用傳統(tǒng)的圖像處理技術(shù)、深度神經(jīng)網(wǎng)絡(luò)等方法從圖像中識別出感興趣的對象，包括感興趣對象的類別及位置信息。也就是說同時實現(xiàn)目標分類和目標定位[9]。自從提出目標檢測的概念以來，國內(nèi)外各學者針對這個問題做出了不懈研究，過去幾十年的進展如圖1-2所示。圖1-2目標檢測和識別的里程碑[9]傳統(tǒng)的目標檢測算法，大多是基于滑動窗口的框架或是根據(jù)特征點進行匹配，例如SIFT系列算法、AdaBoost系列算法等[10]。然而采用傳統(tǒng)算法進行圖像檢測時，所提取的特征基本都是基于低層次的、人為選定的特征，這些特征相對來說更直觀、更易理解。而且所提取的特征更具有針對性，對于不同的研究對象所提取的特征存在差異。但傳統(tǒng)方法所提取的特征并不具有普適性，不能很好地表達大量、多類的目標。在2012年，Krizhevskyetal.提出的深度卷積神經(jīng)網(wǎng)絡(luò)（DCNN）AlexNet[11]在大規(guī)模視覺識別挑戰(zhàn)賽（ILSRVC）上表現(xiàn)極好，并獲得了大賽的冠軍。深度卷積網(wǎng)絡(luò)在ImageNet上的檢測效果遠超傳統(tǒng)算法，這就使得大家重新燃起了對深度神經(jīng)網(wǎng)絡(luò)的研究熱情。考慮到卷積神經(jīng)網(wǎng)絡(luò)在自動提取圖像特征方面的有效性及快速性，在進行目標檢測時，越來越多的學者采用了深度學習的方法。圖1-3為基于深度學習的目標檢測算法的發(fā)展歷程。

哈爾濱工業(yè)大學工學碩士學位論文-4-圖1-3基于深度學習的目標檢測算法發(fā)展進程[9]OverSeat[12]算法是最先將深度學習應用到目標檢測中的算法之一。該算法通過多尺度的滑動窗口將圖像首先劃分為多個不同位置上的小區(qū)域圖像，即候選區(qū)域，然后使用AlexNet提取圖像區(qū)域特征，將其應用于ILSVRC2013數(shù)據(jù)集，檢測效果相對于傳統(tǒng)算法有顯著提升，但仍然存在較多的錯檢及漏檢現(xiàn)象。在OverFeat提出后不久，RossGrishick等人在此基礎(chǔ)上提出了R-CNN[13]模型，該模型首先利用SelectiveSearch算法從原始圖像中獲得大量的候選區(qū)域，相比于滑動窗口的方法，加快了檢測速度，并提高了檢測的準確度。然而使用R-CNN進行目標檢測時，對于獲得的所有候選區(qū)域，都需要分別做特征提取，這使得運算量較大，從而損耗更多的存儲空間，減緩了網(wǎng)絡(luò)的運行速度�；诖�，He等人提出了SPP-Net[14]，一次性對于整張圖片做卷積操作來提取特征，這使得計算量大大減少，從而加快檢測速度。FastR-CNN[15]算法是基于SPP-Net實現(xiàn)的，它使用VGG-16代替Alex-Net來提取圖像特征，極大的加快了檢測速度及準確度。然而SPP-Net和FastR-CNN仍然使用SelectiveSearch算法選擇候選區(qū)域，依然存在候選區(qū)域選取速度慢的問題。為了解決這一問題，RPN（RegionProposalNetworks）網(wǎng)絡(luò)被提出，F(xiàn)saterR-CNN[16]網(wǎng)絡(luò)使用RPN網(wǎng)絡(luò)代替SelectiveSearch算法，進行候選區(qū)域的選取，極大的加快了檢測速度，實現(xiàn)了真正端到端的目標檢測。從R-CNN到FasterR-CNN，上述所提出的目標檢測算法都是2階的，目標檢測算法始終遵循“候選區(qū)域提取+分類”的思想。這些算法在訓練過程中需要訓練兩個模型，這就意味著相應的網(wǎng)絡(luò)參數(shù)以及訓練量都會增加一倍，從而增加而網(wǎng)絡(luò)訓練的時間，影響目標檢測的速度。由此，YOLO[17

【參考文獻】：
期刊論文
[1]目標檢測算法研究綜述[J]. 方路平,何杭江,周國民.  計算機工程與應用. 2018(13)
[2]基于改進的核相關(guān)濾波器的目標跟蹤算法[J]. 秦曉飛,代順鋒,李峰.  測控技術(shù). 2017(10)
[3]基于改進RRT算法的套管柔性針運動規(guī)劃[J]. 趙燕江,黃磊,杜海艷,張永德,胡海龍.  儀器儀表學報. 2017(03)
[4]群智能算法在路徑規(guī)劃中的研究及應用[J]. 杜映峰,陳萬米,范彬彬.  電子測量技術(shù). 2016(11)
[5]基于混合粒子群算法的在線檢測路徑規(guī)劃[J]. 梁旭,劉才慧.  國外電子測量技術(shù). 2015(12)
[6]基于多目標粒子群優(yōu)化算法的斜尖柔性針穿刺路徑規(guī)劃[J]. 霍本巖,趙新剛,韓建達,徐衛(wèi)良.  機器人. 2015(04)
[7]多種路徑形式組合的柔性針二維路徑優(yōu)化[J]. 趙燕江,張艷華,陳浩,張永德,Yan Yu.  中國機械工程. 2013(01)
[8]斜尖柔性針在軟組織中的二維路徑規(guī)劃[J]. 張永德,趙燕江,陳浩.  機器人. 2011(06)
[9]機器人輔助柔性針穿刺路徑的懸臂梁預測模型[J]. 鄭浩峻,姚望,高德東,Carl McGill.  清華大學學報(自然科學版). 2011(08)
[10]基于勢能場的針刺軟組織軌跡規(guī)劃[J]. 姜杉,劉曉艷,白松,楊志永.  生物醫(yī)學工程學雜志. 2010(04)

碩士論文
[1]基于針體識別和針尖位姿預測的柔性針軌跡控制[D]. 楊吉超.哈爾濱理工大學 2019
[2]基于超聲圖像的肝臟智能識別與彌漫性疾病診斷[D]. 李佳昕.哈爾濱工業(yè)大學 2018
[3]基于超像素的腹部圖像多器官分割算法研究[D]. 呂朝暉.西北大學 2018
[4]基于超聲圖像的三維穿刺路徑規(guī)劃研究[D]. 齊紅玉.哈爾濱工業(yè)大學 2018
[5]柔性針穿刺軟組織受力及彎曲變形建模研究[D]. 黃磊.哈爾濱理工大學 2018
[6]人體動作分類算法的研究[D]. 楊煜.哈爾濱工業(yè)大學 2017
[7]斜角柔性針的非均勻介質(zhì)穿刺模型及針體實時監(jiān)測研究[D]. 張際超.哈爾濱工業(yè)大學 2014
[8]柔性針穿刺系統(tǒng)路徑規(guī)劃方法研究[D]. 孔德聰.東北大學 2014
[9]柔性針穿刺的幾何控制理論研究[D]. 周麗.東華大學 2014



本文編號：3617441