醫(yī)學圖像分割是指從醫(yī)學圖像中識別出器官、組織或病變區(qū)域,提供關于這些感興趣區(qū)域的形狀、體積和位置等關鍵信息。臨床上,醫(yī)學圖像分割是疾病診斷和治療的重要組成部分,通常主要由經(jīng)驗豐富的醫(yī)生或?qū)＜沂謩油瓿�。隨著醫(yī)學成像技術的發(fā)展,醫(yī)學圖像的規(guī)�？焖僭鲩L,給醫(yī)學專家?guī)砹舜罅壳曳爆嵉墓ぷ�。因�?許多研究人員提出了醫(yī)學圖像自動分割方法。早期的醫(yī)學圖像分割方法大多是基于閾值、邊界、活動輪廓和圖論等傳統(tǒng)的或基于機器學習的方法,這些方法在分割性能和效率上均不能滿足如今臨床應用的需求。深度學習能夠通過數(shù)據(jù)驅(qū)動的方式從原始圖像數(shù)據(jù)中學習最具代表性的特征,并得到顯著優(yōu)于其他方法的分割結果,近年來已成為醫(yī)學圖像分割任務的首選方法。本文以人體脊椎椎骨的3D實例分割為例,基于深度學習技術,對如何提高分割算法的性能和適用性進行了深入研究。本文的主要工作和貢獻如下:（1）針對現(xiàn)有的大部分椎骨檢測算法適用場景有限的問題,本文提出了一種新的人體脊椎椎骨檢測算法。首先從空間和形狀上定義了圖像中每個點的椎骨中心似然,然后設計了2D分割網(wǎng)絡CentroidNet以實現(xiàn)椎骨中心似然熱圖的預測,最后采用基于DBSCAN聚類算法改進... 

【文章來源】：電子科技大學四川省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：80 頁

【學位級別】：碩士

【部分圖文】：

人體脊柱解剖圖

卷積操作示意圖

最大池化示意圖


本文編號：3481138