隨著智能化醫(yī)學(xué)成像設(shè)備的發(fā)展,計(jì)算機(jī)軟硬件技術(shù)水平的提高,醫(yī)學(xué)圖像處理技術(shù)在醫(yī)療領(lǐng)域的研究和應(yīng)用日益深入和廣泛,在輔助臨床診斷及定量分析等方面發(fā)揮著重要的作用。本文圍繞注意力機(jī)制的神經(jīng)網(wǎng)絡(luò)技術(shù)與其他醫(yī)學(xué)圖像處理領(lǐng)域中的相關(guān)問題,運(yùn)用醫(yī)學(xué)圖像處理和深度學(xué)習(xí),對(duì)超聲,MR和CT圖像等多模態(tài)醫(yī)學(xué)圖像展開研究,主要研究工作如下:（1）針對(duì)超聲圖像引導(dǎo)放療中的胸腹部呼吸運(yùn)動(dòng)目標(biāo)追蹤問題,提出一種基于慢特征分析的檢索式運(yùn)動(dòng)追蹤方法。通過統(tǒng)計(jì)建模的方法來解決超聲圖像中目標(biāo)與背景圖像的噪聲干擾,結(jié)合特征降維和慢特征分析構(gòu)建圖像檢索圖譜。根據(jù)慢特征信號(hào)的特征重新定義特征圖譜中的映射關(guān)系。在基于檢索的基礎(chǔ)上更新模板圖像并縮小搜索范圍進(jìn)而提高檢索式方法的追蹤精確度。另外,該工作中還涉及了超聲圖像引導(dǎo)設(shè)備的圖像獲取的可重復(fù)性實(shí)驗(yàn),以指導(dǎo)臨床醫(yī)生利用機(jī)器臂在分次中圖像引導(dǎo)過程中保證掃描位置的正確性。實(shí)驗(yàn)驗(yàn)證了提出的方法能夠以較快的處理速度獲得較低的追蹤誤差,在臨床實(shí)時(shí)呼吸運(yùn)動(dòng)追蹤方面具有重要的應(yīng)用價(jià)值。（2）針對(duì)較復(fù)雜臨床環(huán)境影響下的超聲運(yùn)動(dòng)追蹤問題,如目標(biāo)形態(tài)多變,模糊及遮擋等影響,提出一種基于注意力和全卷積... 

【文章來源】：山東師范大學(xué)山東省

【文章頁數(shù)】：138 頁

【學(xué)位級(jí)別】：博士

【部分圖文】：

利用瑞利分布和費(fèi)舍爾分布擬合的超聲圖像感興趣區(qū)域的信號(hào)特性

山東師范大學(xué)碩士學(xué)位論文19=(/1),(2.5)公式中，()表示為符號(hào)函數(shù)。通過費(fèi)舍爾分布可識(shí)別區(qū)別于噪聲的器官組織等解剖特征，但冗余噪聲仍然無法產(chǎn)生對(duì)追蹤有用的增強(qiáng)特征。經(jīng)過公式2.3至2.5的計(jì)算，引入方向?qū)?shù)判定每個(gè)像素是否是特征點(diǎn)，該處的判定閾值為歸一化后大于0.5的元素為特征點(diǎn)，否則置零。最終，特征點(diǎn)集合作為下一步訓(xùn)練和測(cè)試時(shí)的輸入值。特征降維和慢特征分析為使運(yùn)動(dòng)追蹤模型學(xué)習(xí)到豐富的血管形態(tài)特征，該方法需要用到訓(xùn)練集圖像為模型進(jìn)行預(yù)訓(xùn)練。其中，訓(xùn)練集圖像要求帶有人工標(biāo)記好的追蹤目標(biāo)的坐標(biāo)值真值，此真值可在治療計(jì)劃階段由解剖經(jīng)驗(yàn)豐富的醫(yī)生標(biāo)記。將預(yù)處理后的特征點(diǎn)重新分布為特征列向量，記為，那么由個(gè)訓(xùn)練集圖像可得到×的訓(xùn)練特征矩陣=。考慮到特征矩陣仍有信息冗余且并非所有的特征點(diǎn)都對(duì)描述呼吸運(yùn)動(dòng)有較大貢獻(xiàn)，因此采用PCA（PricipalComponentAnalysis，主成分分析）對(duì)訓(xùn)練集特征進(jìn)行降維。圖2-2：追蹤目標(biāo)感興趣區(qū)域的預(yù)處理過程。其中a圖分為上中下三個(gè)區(qū)域，分別計(jì)算不同的，b圖為通過對(duì)圖像進(jìn)行費(fèi)舍爾分布的降噪處理后的圖像，c圖為求解方向?qū)?shù)后的圖像。

山東師范大學(xué)博士學(xué)位論文20降維處理一方面降低計(jì)算壓力，另一方面去除了不必要的冗余信息有利于特征追蹤的深層次表達(dá)。通過對(duì)特征矩陣進(jìn)行PCA降維得到降維后的特征矩陣。此時(shí)的的維度為×，相對(duì)比的維度×，的值遠(yuǎn)大于。那么，通過PCA得到個(gè)主要特征向量來表示訓(xùn)練特征矩陣。此時(shí)的特征矩陣中包含了空域特征和時(shí)域特征，SFA（SlowFeatureAnalysis，慢特征分析）可通過分析特征矩陣并提取不同信號(hào)頻率下的時(shí)域信息。通過SFA對(duì)特征矩陣進(jìn)行時(shí)域特征分解后得到由低頻到高頻等不同頻率下的信號(hào)，通過對(duì)不同頻率的信號(hào)進(jìn)行功率譜密度分析，選擇由低頻到高頻的三個(gè)信號(hào)進(jìn)行分析得到如圖2-3所示的信號(hào)a，b和c。通過功率譜密度分析，結(jié)合人體的呼吸頻率是25—30Hz，在該頻段范圍內(nèi)可測(cè)量到信號(hào)a具有最大的功率值，說明信號(hào)a是由SFA得到的與呼吸運(yùn)動(dòng)相關(guān)的特征信號(hào)，該信號(hào)記為。由圖2-3右圖中a所示，對(duì)應(yīng)該頻段SFA信號(hào)的時(shí)域特征曲圖2-3：對(duì)SFA輸出的信號(hào)進(jìn)行功率譜密度分析。圖中右側(cè)a，b和c代表SFA輸出的三個(gè)頻段下的信號(hào)，左側(cè)信號(hào)最高點(diǎn)表示信號(hào)在該頻率下的功率最大，對(duì)應(yīng)的頻率值表示該信號(hào)的頻率。紅色點(diǎn)為信號(hào)a的功率最大值。


本文編號(hào)：3284789