計算機斷層攝影術(shù)（CT）是一種常用的臨床醫(yī)學(xué)成像技術(shù)。CT可以很好的實現(xiàn)椎體骨折和不穩(wěn)定損傷檢測,因而廣泛應(yīng)用于臨床診斷。由于腰椎承受了身體大多數(shù)的力量,在遭遇較強外力時容易造成壓縮性骨折。在臨床診斷中,初期和中期的壓縮性骨折在椎骨形態(tài)上形變較小,大多數(shù)情況醫(yī)生會出現(xiàn)誤診以至于加重骨折程度,因此需要十分精確的分割結(jié)果才能更好的輔助醫(yī)生進行診斷。但是臨床中的手動分割耗時耗力且不同的醫(yī)生分割的結(jié)果不同,并沒有一個統(tǒng)一的分割標準。除了上述原因外,椎骨形態(tài)間的重復(fù)性、正常和病理間的解剖變異性、圖像采集的參數(shù)相異性（包括分辨率和可見視野等）等原因,使得單個椎骨的自動分節(jié)段分割存在極大的困難。目前已有的傳統(tǒng)分割算法以及機器學(xué)習(xí)算法,雖然能分割出人體椎骨,但是由于其精度太差,導(dǎo)致無法應(yīng)用于臨床。因此,迫切需要一種能自動完成椎骨節(jié)段分割的算法,從而大大減輕臨床醫(yī)生的工作負擔。針對這一問題,本文提出一種人體椎骨多類別分割算法,大大的提高了椎骨分割的精度,其中包括了以下三部分:1、CT圖像預(yù)處理。其中包括了限制對比度自適應(yīng)直方圖均衡化、基于HU值的閾值分割以及圖像膨脹等操作,提高了輸入圖像的質(zhì)量,增強了圖... 

【文章來源】：電子科技大學(xué)四川省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：60 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖２－１融合Ｎｏｒｍａｌｉｚｅｄ?ｃｕｔ算法的ＯＴＳＵ分割結(jié)果［２５］??６??

?第二章相關(guān)研究及理論方法介紹???由圖２－１可以看出，雖然該分割算法可以較為完整的分割出完整的腰椎，但是??對于每一個椎骨的邊緣以及形狀都會有所確實，分割的精度并不高。在臨床的診??斷中，并不具有很高的使用價值。??２．１．２?ＧＶＦ?Ｓｎａｋｅ?分害ＩＪ算法??在傳統(tǒng)的圖像處理領(lǐng)域，Ｓｎａｋｅ又被大家稱作活動輪廓，它表示的在一張圖像??區(qū)域內(nèi)的一條曲線Ｘ（ｓ）［２６３，其可以表示為：??Ｚ（ｓ）?＝?（ｘ（ｓ），ｙ（ｓ），５?Ｇ?［０，１］）?（２－２）??其中ｘ（ｓ），ｙ（ｓ）分別是ｘ和ｙ在圖像中的坐標值。??公式２－２在定義了活動輪廓的彈性曲線時，同時特定義了該彈性曲線的能量函??數(shù)。對于Ｓｎａｋｅ模型來說，能量函數(shù)是該算法的核心，可以表示為：??Ｅｓｎａｋｅ?—?／〇?＾ｓｎａｆｃｅ??＝＾｛［＾ｉｎｔＣｖＣｓ））］?＋?［Ｅｉｍａｇｅ＾ｉｓ））］?＋?［Ｅｃｏｎ（ｖ（ｓ））］｝ｄｓ?（２－３）??其中Ｆｉｒｉｔ表示由于曲線彎曲而產(chǎn)生的力；表示計算圖像信息而產(chǎn)生力；??則表示圖像外部的約束力。??Ｓｎａｋｅ模型的最優(yōu)解本質(zhì)上就是最小化其能量函數(shù)。為了使Ｓｎａｋｅ模型的能量??函數(shù)最小，需要對該函數(shù)的泛函數(shù)求極值，因此能量函數(shù)的最小化問題轉(zhuǎn)換成了??對偏微分方程的求解［２７］。??Ｘｕ等人從力平衡角度，定義了一個名為梯度向量流的靜態(tài)外力Ｆｅ；ｃｔ?＝?ｙ）。??相比于傳統(tǒng)的Ｓｎａｋｅ分割算法，由于加入了新的外力，則ＧＶＦ擴大了曲線的外力??范圍，并且可以推動傳統(tǒng)的Ｓｎａｋｅ算法收斂到凹陷處邊界。其分割結(jié)果如圖２－２所??不〇??■Ｋｉｌｌ??＿??圖２－２?ＧＶＦ?Ｓｎａｋｅ算法分割結(jié)果??

?第二章相關(guān)研究及理論方法介紹???考慮了多尺度特征的融合，結(jié)合了高級特征和低級特征，增加了信息量，很適合??用于醫(yī)學(xué)圖像的合成任務(wù)，但是Ｕ－ｎｅｔ中使用了池化層對圖像降維，一定程度上也??會損失圖像的局部信息。??用于椎骨分割的Ｕ－Ｎｅｔ結(jié)構(gòu)如圖２－３所示。由圖可以看出，該網(wǎng)絡(luò)實現(xiàn)了對??ＣＴ椎骨圖像的分割。相比較與ＦＣＮ，Ｕ－ｎｅｔ構(gòu)建了以全卷積網(wǎng)絡(luò)為基礎(chǔ)，在解碼??路徑中將在編碼網(wǎng)絡(luò)中與之對應(yīng)的特征圖對其進行補充，用反卷積操作代替池化??操作進行上采樣，從而可以提高分割結(jié)果的精度，但是其Ｄｉｃｅ系數(shù)也只有０．８５，??并不能達到臨床診斷的要求。??１６?３２?３２＾｜?３２?３２??２??１?十??＇３２?Ｗ?６４＊１２８?６４?１??＿?Ｈｉ??晷?６４?１２８?１２８＊２５６?１２８?畬??〇〇〇?ｉ＇ｉ〇ｇａ??４?１２６?２５６?２５６＊５１２?２５６??疇?Ｉ＇?ｆ＇—＂：?：???４?？大池化操作??＞卷積層＊?ＲＥＬＵ函致??捧＊卷積層＋?ＲＥＬＵ函教??＂Ｉ■上采樣操作??〈—連捿?Ｊ??圖２－３用于椎骨分割的Ｕ－Ｎｅｔ結(jié)構(gòu)??２．２．２基于生成對抗網(wǎng)絡(luò)的椎骨分割算法??生成對抗網(wǎng)絡(luò)（ＧＡＮ）作為近兩年深度學(xué)習(xí)領(lǐng)域的提出的神經(jīng)網(wǎng)絡(luò)，其在圖像??生成、分割等圖像任務(wù)表現(xiàn)出了非常好的性能。與其他的神經(jīng)網(wǎng)絡(luò)相比，生成對??抗網(wǎng)絡(luò)最為引人注目的地方就是將對抗的這一概念引入了深度學(xué)習(xí)領(lǐng)域。??ＧＡＮ就是一個對抗模型，用來生成和真實數(shù)據(jù)相似的結(jié)果。ＧＡＮ主要包含兩??個部分，分別為生成器Ｇ和鑒別器Ｄ，如圖２－４所示。生成器Ｇ和鑒別器Ｄ互為??


本文編號：2909519