本文選題：CT圖像 + 心臟分割　； 參考：《北京交通大學(xué)》2017年碩士論文

【摘要】：心血管疾病目前是導(dǎo)致人類非意外死亡的主要原因之一,近年來(lái)呈現(xiàn)逐漸年輕化的趨勢(shì),時(shí)刻威脅著人類健康生活。心臟是心血管系統(tǒng)的核心器官,獲取心臟的生理病理信息是診斷和治療心血管疾病的關(guān)鍵。CT成像技術(shù)具有成像速度快、成像清晰等優(yōu)點(diǎn),是心臟檢查的常用手段,CT圖像的心臟分割對(duì)于心血管疾病的診療和定量分析具有重要意義。然而,心臟是實(shí)體器官,普通的斷層圖像序列難以完整地呈現(xiàn)出心臟的生理信息,計(jì)算機(jī)輔助診斷、介入治療指導(dǎo)、心臟手術(shù)導(dǎo)航等技術(shù)的實(shí)現(xiàn)通常需要得到完整的心臟解剖結(jié)構(gòu)。醫(yī)學(xué)圖像的三維可視化是了解心臟解剖結(jié)構(gòu)的主要手段,而圖像分割是實(shí)現(xiàn)人體器官三維可視化的數(shù)據(jù)基礎(chǔ)。針對(duì)心臟圖像分割,國(guó)內(nèi)外研究人員提出了多種分割方法,但是大部分算法是針對(duì)心房和心室的分割,并不能滿足全心臟分割的要求。同時(shí),心臟的搏動(dòng)和血液流動(dòng)過(guò)程中得到的CT圖像容易出現(xiàn)偽影、邊界弱化等問(wèn)題,影響心臟壁的分割效果,傳統(tǒng)手動(dòng)分割方法需要醫(yī)務(wù)人員的大量經(jīng)驗(yàn),分割效率低。因此全心臟的自動(dòng)分割一直是醫(yī)學(xué)圖像處理研究領(lǐng)域具有挑戰(zhàn)性的熱點(diǎn)問(wèn)題。本文以醫(yī)學(xué)圖像的分割和識(shí)別為基礎(chǔ),針對(duì)切片中心臟圖像與其它組織區(qū)別明顯,以及心臟CT圖像序列中相鄰切片間有很高相似性的特點(diǎn),提出了基于神經(jīng)網(wǎng)絡(luò)和圖像顯著性的全自動(dòng)分割算法,并對(duì)分割后的心臟圖像進(jìn)行了三維可視化重建。本文的主要內(nèi)容及創(chuàng)新點(diǎn):1.利用視覺(jué)顯著性技術(shù),實(shí)現(xiàn)基于CT圖像的心臟分割。采用了一種圖像顯著性檢測(cè)算法,對(duì)CT圖像進(jìn)行顯著性計(jì)算,最后利用顯著圖像對(duì)原CT圖像進(jìn)行分割,得到完整的心臟圖像。2.將分割任務(wù)分解為定位和分割兩部分,采用卷積神經(jīng)網(wǎng)絡(luò)和堆疊降噪自編碼網(wǎng)絡(luò)分別進(jìn)行實(shí)現(xiàn)。構(gòu)建卷積神經(jīng)網(wǎng)絡(luò),實(shí)現(xiàn)其對(duì)圖像中心臟的定位功能,利用定位結(jié)果對(duì)原心臟CT圖像進(jìn)行裁剪,去掉部分非目標(biāo)區(qū)域;構(gòu)造了一個(gè)堆疊降噪自編碼網(wǎng)絡(luò),利用手動(dòng)分割圖像對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,實(shí)現(xiàn)網(wǎng)絡(luò)對(duì)心臟CT圖像中屬于心臟組織的像素點(diǎn)的分類識(shí)別,最后基于分類結(jié)果實(shí)現(xiàn)對(duì)心臟圖像的分割。3.對(duì)上述分割算法分割后的結(jié)果,分別與人工分割結(jié)果進(jìn)行定量評(píng)價(jià)分析,并采用面繪制和體繪制兩種方法對(duì)分割結(jié)果進(jìn)行可視化重建。
[Abstract]:Cardiovascular disease is one of the main causes of human unaccidental death. In recent years, cardiovascular disease is becoming younger and threatening human health. The heart is the core organ of the cardiovascular system. Obtaining the physiological and pathological information of the heart is the key to diagnose and treat cardiovascular diseases. Ct imaging technology has the advantages of fast imaging speed and clear imaging. The heart segmentation of CT images is of great significance for the diagnosis, treatment and quantitative analysis of cardiovascular diseases. However, the heart is a solid organ, the common image sequence of tomography is difficult to show the physiological information of the heart, computer-aided diagnosis, interventional therapy guidance, The complete anatomical structure of the heart is usually required for the realization of cardiac surgery navigation and other techniques. Three-dimensional visualization of medical images is the main means to understand the anatomical structure of the heart, and image segmentation is the data base to realize three-dimensional visualization of human organs. For heart image segmentation, researchers at home and abroad have proposed a variety of segmentation methods, but most of the algorithms are aimed at the atrial and ventricular segmentation, which can not meet the requirements of the whole heart segmentation. At the same time, the CT images obtained in the process of heart beating and blood flow are prone to artifact and boundary weakening, which affect the segmentation effect of heart wall. Traditional manual segmentation methods need a lot of experience of medical personnel, and the efficiency of segmentation is low. Therefore, automatic heart segmentation has been a challenging hot issue in the field of medical image processing. Based on the segmentation and recognition of medical images, this paper aims at the obvious difference between the heart image and other tissues in the slice and the high similarity between the adjacent slices in the cardiac CT image sequence. An automatic segmentation algorithm based on neural network and image saliency is proposed, and the segmented heart image is reconstructed by 3D visualization. The main content and innovation of this paper: 1. Using visual salience technology, the heart segmentation based on CT image is realized. An image saliency detection algorithm is used to calculate the significance of CT image. Finally, the original CT image is segmented by salient image, and the complete heart image is obtained. The segmentation task is divided into two parts: location and segmentation. Convolution neural network and stacking noise reduction self-coding network are used to realize the segmentation task. A convolutional neural network is constructed to locate the heart in the image. The original heart CT image is clipped using the localization results, and some non-target regions are removed, and a stack noise reduction self-coding network is constructed. The network is trained by manual segmentation image to realize the classification and recognition of the pixels belonging to the heart tissue in the cardiac CT image. Finally, the segmentation of the heart image is realized based on the classification results. 3. The segmentation results of the above segmentation algorithms are evaluated and analyzed quantitatively with the artificial segmentation results, and the segmentation results are reconstructed visually by surface rendering and volume rendering.
【學(xué)位授予單位】：北京交通大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：TP391.41;TP183

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 黃炯;圖像邊緣處理[J];電視字幕(特技與動(dòng)畫(huà));2000年09期

2 劉建忠;;圖像邊緣的數(shù)學(xué)結(jié)構(gòu)分析[J];軟件;2011年05期

3 陳文兵;張小磊;;基于圖像邊緣的能見(jiàn)度計(jì)算方法[J];微型電腦應(yīng)用;2009年04期

4 曾友州;胡瑩;曾偉一;鄭曉霞;;提取數(shù)字圖像邊緣的算法比較[J];成都航空職業(yè)技術(shù)學(xué)院學(xué)報(bào);2009年04期

5 潘衛(wèi)國(guó);鮑泓;何寧;;一種傳統(tǒng)中國(guó)書(shū)畫(huà)圖像的二分類方法[J];計(jì)算機(jī)科學(xué);2012年03期

6 周濤;陸惠玲;拓守恒;馬競(jìng)先;楊德仁;;基于非凸區(qū)域下近似的圖像邊緣修補(bǔ)算法[J];寧夏大學(xué)學(xué)報(bào)(自然科學(xué)版);2012年01期

7 唐亮;唐娉;閻福禮;鄭柯;;HJ-1 CCD圖像自動(dòng)幾何精糾正系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[J];計(jì)算機(jī)應(yīng)用;2012年S2期

8 宋建中;;噴霧圖像的自動(dòng)分析[J];光學(xué)機(jī)械;1988年04期

9 張錦華;孫挺;;引入像點(diǎn)融合度修補(bǔ)的圖像邊緣化參差拼接實(shí)現(xiàn)[J];微電子學(xué)與計(jì)算機(jī);2014年08期

10 張曉清;;摳圖另一法[J];數(shù)字世界;2002年11期

相關(guān)會(huì)議論文 前10條

1 陸成剛;陳剛;張但;閔春燕;;圖像邊緣的優(yōu)化模型[A];'2002系統(tǒng)仿真技術(shù)及其應(yīng)用學(xué)術(shù)論文集（第四卷）[C];2002年

2 王偉凝;余英林;張劍超;;圖像的動(dòng)感特征分析[A];第一屆中國(guó)情感計(jì)算及智能交互學(xué)術(shù)會(huì)議論文集[C];2003年

3 韓焱;王明泉;宋樹(shù)爭(zhēng);;工業(yè)射線圖像的退化與恢復(fù)方法[A];新世紀(jì) 新機(jī)遇 新挑戰(zhàn)——知識(shí)創(chuàng)新和高新技術(shù)產(chǎn)業(yè)發(fā)展（下冊(cè)）[C];2001年

4 王強(qiáng);王風(fēng);;一種保持圖像幾何特征的去噪模型[A];中國(guó)通信學(xué)會(huì)第五屆學(xué)術(shù)年會(huì)論文集[C];2008年

5 王培珍;楊維翰;陳維南;;圖像邊緣信息的融合方案研究[A];中國(guó)圖象圖形學(xué)會(huì)第十屆全國(guó)圖像圖形學(xué)術(shù)會(huì)議（CIG’2001）和第一屆全國(guó)虛擬現(xiàn)實(shí)技術(shù)研討會(huì)（CVR’2001）論文集[C];2001年

6 李大鵬;禹晶;肖創(chuàng)柏;;圖像去霧的無(wú)參考客觀質(zhì)量評(píng)測(cè)方法[A];第十五屆全國(guó)圖象圖形學(xué)學(xué)術(shù)會(huì)議論文集[C];2010年

7 孟晉麗;張毅;金林;;圖像中混合噪聲的小波域?yàn)V除方法[A];2007'儀表，，自動(dòng)化及先進(jìn)集成技術(shù)大會(huì)論文集（一）[C];2007年

8 漆琳智;張超;吳向陽(yáng);;引導(dǎo)濾波的單幅圖像前景精確提取[A];浙江省電子學(xué)會(huì)2013學(xué)術(shù)年會(huì)論文集[C];2013年

9 張明慧;;基于模糊蒙片算法的CR圖像邊緣增強(qiáng)[A];第六屆全國(guó)信息獲取與處理學(xué)術(shù)會(huì)議論文集（1）[C];2008年

10 王亮亮;李明;高昕;;強(qiáng)模糊空間目標(biāo)圖像邊緣獲取方法研究[A];第九屆全國(guó)光電技術(shù)學(xué)術(shù)交流會(huì)論文集（下冊(cè)）[C];2010年

相關(guān)重要報(bào)紙文章 前10條

1 吳飛;無(wú)邊距照片打印三部曲[N];中國(guó)電腦教育報(bào);2003年

2 美國(guó)明尼蘇達(dá)大學(xué)社會(huì)學(xué)博士 密西西比州立大學(xué)國(guó)家戰(zhàn)略規(guī)劃與分析研究中心資深助理研究員 陳心想;維護(hù)好創(chuàng)新的“神經(jīng)網(wǎng)絡(luò)硬件”[N];中國(guó)教師報(bào);2014年

3 艾思平翻譯;視頻編碼軟件CCE SP2操作指南(9)[N];電子報(bào);2009年

4 ;B超術(shù)語(yǔ)解釋[N];農(nóng)村醫(yī)藥報(bào)（漢）;2008年

5 盧業(yè)忠;腦控電腦 驚世駭俗[N];計(jì)算機(jī)世界;2001年

6 葛一鳴 路邊文;人工神經(jīng)網(wǎng)絡(luò)將大顯身手[N];中國(guó)紡織報(bào);2003年

7 ;圖像質(zhì)量調(diào)整秘技[N];電腦報(bào);2001年

8 中國(guó)科技大學(xué)計(jì)算機(jī)系　邢方亮;神經(jīng)網(wǎng)絡(luò)挑戰(zhàn)人類大腦[N];計(jì)算機(jī)世界;2003年

9 記者 孫剛;“神經(jīng)網(wǎng)絡(luò)”：打開(kāi)復(fù)雜工藝“黑箱”[N];解放日?qǐng)?bào);2007年

10 本報(bào)記者 劉霞;美用DNA制造出首個(gè)人造神經(jīng)網(wǎng)絡(luò)[N];科技日?qǐng)?bào);2011年

相關(guān)博士學(xué)位論文 前10條

1 梁福來(lái);低空無(wú)人機(jī)載UWB SAR增強(qiáng)成像技術(shù)研究[D];國(guó)防科學(xué)技術(shù)大學(xué);2013年

2 周靜;基于憶阻器的圖像處理技術(shù)研究[D];國(guó)防科學(xué)技術(shù)大學(xué);2014年

3 賈茜;基于時(shí)—空域插值的圖像及視頻上采樣技術(shù)研究[D];武漢大學(xué);2014年

4 李照奎;人臉圖像的魯棒特征表示方法研究[D];武漢大學(xué);2014年

5 郝紅星;基于干涉相位圖像構(gòu)建數(shù)字高程模型的關(guān)鍵技術(shù)研究[D];國(guó)防科學(xué)技術(shù)大學(xué);2014年

6 楊小義;圖像特征識(shí)別算法及其在聾人視覺(jué)識(shí)別中的應(yīng)用研究[D];重慶大學(xué);2015年

7 王玉明;SAR圖像地雷場(chǎng)檢測(cè)技術(shù)研究[D];國(guó)防科學(xué)技術(shù)大學(xué);2013年

8 溫景陽(yáng);圖像大容量、低失真可逆信息隱藏技術(shù)研究[D];蘭州大學(xué);2015年

9 李林;基于概率圖模型的圖像整體場(chǎng)景理解方法研究[D];電子科技大學(xué);2014年

10 馮景;基于SAR圖像的海面溢油檢測(cè)研究[D];北京理工大學(xué);2015年

相關(guān)碩士學(xué)位論文 前10條

1 趙飛;基于神經(jīng)網(wǎng)絡(luò)和圖像顯著性的心臟圖像自動(dòng)分割算法研究[D];北京交通大學(xué);2017年

2 李鵬遠(yuǎn);圖像檢索算法研究及其在互聯(lián)網(wǎng)教育中的應(yīng)用[D];華南理工大學(xué);2015年

3 萬(wàn)燕英;微聚焦X-ray圖像自適應(yīng)正則化去噪方法[D];華南理工大學(xué);2015年

4 毛雙艷;基于梯度域的圖像風(fēng)格化渲染方法的研究及其應(yīng)用[D];華南理工大學(xué);2015年

5 向訓(xùn)文;RGB-D圖像顯著性檢測(cè)研究[D];華南理工大學(xué);2015年

6 曾旭;基于聚類和加權(quán)非局部的圖像稀疏去噪方法研究[D];天津理工大學(xué);2015年

7 熊楊超;圖像美學(xué)評(píng)價(jià)及美學(xué)優(yōu)化研究[D];華南理工大學(xué);2015年

8 王艷;圖像視覺(jué)顯著性檢測(cè)方法及應(yīng)用的研究[D];華南理工大學(xué);2015年

9 鄭露萍;圖像二階微分特征提取及人臉識(shí)別應(yīng)用研究[D];昆明理工大學(xué);2015年

10 王思武;基于太陽(yáng)圖像的特征提取和檢索[D];昆明理工大學(xué);2015年

本文編號(hào)：1948039