隨著國內(nèi)外心腦血管疾病患病人數(shù)的急劇增加,心腦血管疾病的治療方法也在不斷的提升與優(yōu)化,而血管介入手術(shù)目前已經(jīng)成為了治療這類疾病的重要手段之一。在進(jìn)行這個手術(shù)的過程中,導(dǎo)絲穿刺介入過程是非常重要且不可缺少的一個環(huán)節(jié)。在當(dāng)前血管導(dǎo)絲介入的臨床手術(shù)中,醫(yī)生主要是通過觀察局部實(shí)時的CT影像進(jìn)行整個導(dǎo)絲介入過程。在這種強(qiáng)噪音的CT影像視頻中,長時間實(shí)現(xiàn)導(dǎo)絲視覺鎖定,對于臨床醫(yī)生來說是一個極易產(chǎn)生視覺疲勞的一個過程。而本文研究的內(nèi)容是利用現(xiàn)有的圖像軟件技術(shù)去實(shí)現(xiàn)導(dǎo)絲介入過程中的導(dǎo)絲輔助定位功能。研究方法主要是應(yīng)用張量投票算法實(shí)現(xiàn)對CT影像中的導(dǎo)絲線性特征提取并進(jìn)行自適應(yīng)閾值分析,再結(jié)合了DBSCAN聚類算法對其進(jìn)行聚類消除其它線性噪音的干擾,從而實(shí)現(xiàn)在CT影像中對介入導(dǎo)絲的提取定位。研究過程中主要取得了如下成果:1.本文首次實(shí)現(xiàn)了對血管介入手術(shù)中CT影像的穿刺導(dǎo)絲檢測定位。通過充分研究分析,利用了穿刺導(dǎo)絲在CT影像中較強(qiáng)線性顯著性這一特征,結(jié)合張量投票（TensorVoting）這種具有加強(qiáng)線性特征的一種算法,以及本文設(shè)計的自適應(yīng)像素值濾波分析和經(jīng)優(yōu)化后的DBSCAN密集度聚類算法的綜合處理,使得... 

【文章來源】：貴州大學(xué)貴州省211工程院校

【文章頁數(shù)】：58 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景
    1.2 研究目的及意義
    1.3 國內(nèi)外研究現(xiàn)狀
        1.3.1 CT影像特征提取
        1.3.2 穿刺導(dǎo)絲及其檢測
    1.4 內(nèi)容結(jié)構(gòu)安排
    1.5 本章小結(jié)
第二章 張量投票算法分析及其在線性檢測中的應(yīng)用
    2.1 張量的基本知識
        2.1.1 張量的定義及性質(zhì)
        2.1.2 張量代數(shù)
        2.1.3 張量分解
    2.2 張量投票算法
        2.2.1 張量的編碼表示
        2.2.2 投票過程
        2.2.3 張量的分解和組合
        2.2.4 張量結(jié)構(gòu)特征提取
        2.2.5 幾種張量算子
    2.3 張量投票特征分析
        2.3.1 張量投票的優(yōu)勢
        2.3.2 張量投票的主要應(yīng)用
    2.4 張量投票算法在線性特征提取中的應(yīng)用
    2.5 本章小結(jié)
第三章 聚類算法分析及其在圖像去噪中的應(yīng)用
    3.1 聚類簡介
    3.2 幾種聚類算法分析
        3.2.1 劃分聚類
        3.2.2 層次聚類
        3.2.3 模糊聚類
        3.2.4 密集度聚類
    3.3 DBSCAN聚類
        3.3.1 DBSCAN聚類的特點(diǎn)優(yōu)勢
        3.3.2 DBSCAN聚類算法基本流程
    3.4 DBSCAN聚類算法在圖像去噪中的應(yīng)用
    3.5 本章小結(jié)
第四章 基于張量投票的CT影像導(dǎo)絲檢測實(shí)現(xiàn)
    4.1 實(shí)驗(yàn)環(huán)境
        4.1.1 實(shí)驗(yàn)數(shù)據(jù)
        4.1.2 軟硬件平臺
    4.2 CT影像數(shù)據(jù)預(yù)處理
    4.3 張量投票
        4.3.1 結(jié)構(gòu)張量的提取及張量的編碼表示
        4.3.2 投票參數(shù)的選定
        4.3.3 投票后的自適應(yīng)閾值濾波分析
    4.4 DBSCAN聚類
        4.4.1 聚類參數(shù)選定
        4.4.2 自適應(yīng)閾值參數(shù)分析
    4.5 實(shí)驗(yàn)結(jié)果
        4.5.1 導(dǎo)絲檢測效果
        4.5.2 導(dǎo)絲檢測效率
    4.6 本章小結(jié)
第五章 總結(jié)與展望
    5.1 論文總結(jié)
    5.2 下一步研究工作
致謝
參考文獻(xiàn)
附錄 ：攻讀碩士學(xué)位期間的研究成果


【參考文獻(xiàn)】：
期刊論文
[1]債券流動性研究及應(yīng)用——基于大數(shù)據(jù)視角[J]. 程昊,凌鈴,衛(wèi)冰清.  債券. 2018(06)
[2]醫(yī)學(xué)圖像分割方法[J]. 潘曉航.  電子技術(shù)與軟件工程. 2018(11)
[3]非均勻數(shù)據(jù)的變異系數(shù)聚類算法[J]. 楊天鵬,徐鯤鵬,陳黎飛.  山東大學(xué)學(xué)報(工學(xué)版). 2018(03)
[4]基于改進(jìn)單類支持向量機(jī)的工業(yè)控制網(wǎng)絡(luò)入侵檢測方法[J]. 劉萬軍,秦濟(jì)韜,曲海成.  計算機(jī)應(yīng)用. 2018(05)
[5]Rasch模型與K-means算法應(yīng)用于試卷分析的對比研究[J]. 戴俊秋,程玉勝.  安慶師范大學(xué)學(xué)報(自然科學(xué)版). 2017(04)
[6]基于數(shù)據(jù)挖掘技術(shù)的學(xué)生成績分析系統(tǒng)的設(shè)計與實(shí)現(xiàn)[J]. 陳碩.  科技經(jīng)濟(jì)導(dǎo)刊. 2017(34)
[7]《中國心血管病報告2016》要點(diǎn)解讀[J]. 陳偉偉,王文,隋輝,馬麗媛.  中華高血壓雜志. 2017(07)
[8]一種基于感知編組的邊緣直線段檢測方法[J]. 楊玲,阮心玲.  河南大學(xué)學(xué)報(自然科學(xué)版). 2017(03)
[9]基于結(jié)構(gòu)張量的圖像水印算法[J]. 支美麗.  信息技術(shù). 2017(03)
[10]張量投票的機(jī)載LiDAR數(shù)據(jù)建筑物自動提取[J]. 楊威,萬幼川,何培培.  測繪科學(xué). 2016(09)

博士論文
[1]基于聚類分析的圖像分割算法研究[D]. 許曉麗.哈爾濱工程大學(xué) 2012
[2]冠狀動脈旁路移植術(shù)后雙聯(lián)抗血小板治療的臨床研究[D]. 高歌.中國協(xié)和醫(yī)科大學(xué) 2009

碩士論文
[1]血管介入手術(shù)機(jī)器人設(shè)計與控制策略研究[D]. 嚴(yán)偉瑋.華東交通大學(xué) 2018
[2]CT影像數(shù)據(jù)的肺結(jié)節(jié)深度檢測與預(yù)測方法研究[D]. 趙鑫.太原理工大學(xué) 2018
[3]基于點(diǎn)云的輪胎花紋快速逆向建模方法[D]. 孫根基.合肥工業(yè)大學(xué) 2018
[4]基于稀疏表示的胃部CT圖像淋巴結(jié)檢測與識別[D]. 王辰嬌.西安電子科技大學(xué) 2014
[5]張量投票算法及其應(yīng)用[D]. 秦菁.華東師范大學(xué) 2008
[6]基于自適應(yīng)張量投票的視覺特征結(jié)構(gòu)提取研究[D]. 葉愛芬.蘇州大學(xué) 2008
[7]基于張量分析的不完備圖像修復(fù)研究[D]. 黃應(yīng).華中科技大學(xué) 2007



本文編號：3643235