隨著深度學(xué)習(xí)技術(shù)的不斷進(jìn)步,人工智能在智慧醫(yī)療領(lǐng)域的應(yīng)用不斷深入,很多新型的人工智能算法應(yīng)用到了醫(yī)學(xué)診斷過(guò)程中。在癌癥的診斷過(guò)程中,腫瘤病灶分割是不可或缺的一部分。肺癌腫瘤分割指的是通過(guò)對(duì)肺部CT圖像的預(yù)處理、背景分割等步驟,實(shí)現(xiàn)對(duì)肺癌病灶部分的分割。它是通過(guò)數(shù)字影像學(xué)、醫(yī)學(xué)圖像處理等方法,結(jié)合高性能計(jì)算機(jī)的分析計(jì)算,精準(zhǔn)定位,輔助臨床醫(yī)生發(fā)現(xiàn)疑似病灶,并且將疑似的病變組織從正常的解剖背景中分離出來(lái)。該方法通過(guò)減少醫(yī)生的主觀性的判斷,避免醫(yī)生因自身醫(yī)學(xué)知識(shí)和臨床經(jīng)驗(yàn)差異造成的偶然誤差,在提高工作效率的同時(shí),提高診斷的準(zhǔn)確率。本文在對(duì)近5年國(guó)內(nèi)外對(duì)圖像分割算法研究的現(xiàn)狀進(jìn)行對(duì)比總結(jié)后,提出針對(duì)肺部腫瘤CT圖像分割問(wèn)題的解決辦法。同時(shí)利用大量的浙江某腫瘤醫(yī)院肺癌病人的CT圖像,搭建了基于卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的肺部腫瘤分割模型。本文對(duì)于肺部腫瘤圖像分割問(wèn)題主要研究工作包括以下幾個(gè)方面:1.對(duì)目前醫(yī)學(xué)影像技術(shù)、人工智能的發(fā)展情況,以及本文研究背景、意義、國(guó)內(nèi)外研究現(xiàn)狀等作了綜述型分析。2.詳細(xì)介紹了目前國(guó)內(nèi)外常用的圖像分割算法、醫(yī)學(xué)圖像分割算法和卷積神經(jīng)網(wǎng)絡(luò)圖像分割算法,對(duì)比這些算法在實(shí)際案例中的... 

【文章來(lái)源】：浙江師范大學(xué)浙江省

【文章頁(yè)數(shù)】：53 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 課題研究背景及意義
        1.1.1 課題研究背景
        1.1.2 課題研究意義
    1.2 研究現(xiàn)狀
    1.3 本文組織結(jié)構(gòu)
    1.4 本章小結(jié)
第2章 傳統(tǒng)圖像分割方法與深度學(xué)習(xí)圖像分割方法比較
    2.1 緒論
    2.2 傳統(tǒng)圖像分割方法
        2.2.1 基于閾值的圖像分割方法
        2.2.2 基于邊緣檢測(cè)的圖像分割方法
        2.2.3 基于區(qū)域的圖像分割方法
        2.2.4 基于圖論的分割方法
    2.3 基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分割算法
    2.4 基于全卷積神經(jīng)網(wǎng)絡(luò)的圖像分割算法
    2.5 本章小結(jié)
第3章 U-Net神經(jīng)網(wǎng)絡(luò)算法及其在肺部腫瘤圖像分割中的應(yīng)用
    3.1 緒論
    3.2 U-net網(wǎng)絡(luò)的理論基礎(chǔ)
        3.2.1 U-net神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)
        3.2.2 U-net神經(jīng)網(wǎng)絡(luò)中的參數(shù)
    3.3 U-Net神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)
    3.4 U-Net神經(jīng)網(wǎng)絡(luò)調(diào)優(yōu)
        3.4.1 U-net神經(jīng)網(wǎng)絡(luò)激活函數(shù)
        3.4.2 超參數(shù)調(diào)優(yōu)
    3.5 實(shí)驗(yàn)結(jié)果與分析
        3.5.1 數(shù)據(jù)來(lái)源
        3.5.2 實(shí)驗(yàn)結(jié)果
    3.6 本章小結(jié)
第4章 W-net神經(jīng)網(wǎng)絡(luò)算法及其在肺部腫瘤圖像分割中的應(yīng)用
    4.1 緒論
    4.2 W-net網(wǎng)絡(luò)的理論基礎(chǔ)
    4.3 W-Net網(wǎng)絡(luò)算法實(shí)現(xiàn)
    4.4 實(shí)驗(yàn)結(jié)果分析
    4.5 本章小結(jié)
        4.5.1 W-net網(wǎng)絡(luò)的優(yōu)勢(shì)
        4.5.2 W-net網(wǎng)絡(luò)的缺陷與不足
第5章 總結(jié)與展望
    5.1 總結(jié)
    5.2 后續(xù)工作及展望
參考文獻(xiàn)
攻讀學(xué)位期間取得的研究成果
致謝


【參考文獻(xiàn)】：
期刊論文
[1]基于U-Net網(wǎng)絡(luò)的肺部CT圖像分割算法[J]. 袁甜,程紅陽(yáng),陳云虹,張海榮,王文軍.  自動(dòng)化與儀器儀表. 2017(06)
[2]分子影像學(xué)中圖像分割技術(shù)方法研究[J]. 安玉林,關(guān)建中.  醫(yī)療衛(wèi)生裝備. 2008(11)

碩士論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的肺結(jié)節(jié)自動(dòng)檢測(cè)深度學(xué)習(xí)模型[D]. 肖小嬌.太原理工大學(xué) 2017
[2]基于Caffe深度學(xué)習(xí)框架的卷積神經(jīng)網(wǎng)絡(luò)研究[D]. 楊楠.河北師范大學(xué) 2016
[3]基于卷積神經(jīng)網(wǎng)絡(luò)的圖像語(yǔ)義分割[D]. 陳鴻翔.浙江大學(xué) 2016
[4]基于CNN的字符識(shí)別方法研究[D]. 王強(qiáng).天津師范大學(xué) 2014
[5]卷積神經(jīng)網(wǎng)絡(luò)在圖像識(shí)別上的應(yīng)用的研究[D]. 許可.浙江大學(xué) 2012
[6]基于ROI多圖譜配準(zhǔn)的海馬磁共振圖像分割[D]. 陳雯艷.湖南大學(xué) 2012
[7]機(jī)器視覺中邊緣檢測(cè)算法的研究[D]. 馬亞洲.重慶理工大學(xué) 2010



本文編號(hào)：3189550