計算機輔助診斷和輔助決策系統(tǒng),醫(yī)學圖像處理與圖像識別是近年來的研究熱點。髖關節(jié)發(fā)育異常是新生兒常見骨骼類疾病之一,為了實現(xiàn)該類疾病的自動診斷,本文設計和實現(xiàn)了基于圖像處理技術的兒童髖關節(jié)發(fā)育狀況篩查輔助診斷系統(tǒng)。該系統(tǒng)能根據(jù)兒童髖關節(jié)超聲圖像將其自動分為發(fā)育正常,發(fā)育不良,嚴重發(fā)育不良和脫位四種發(fā)育類型。系統(tǒng)包括五個部分,即原始圖像預處理,脫位髖關節(jié)篩查,非脫位髖關節(jié)圖像分割,特征提取,及最終診斷。首先,原始圖像預處理步驟從超聲髖關節(jié)圖像中提取出關鍵的髖臼部分圖像。其次,由于脫位類型髖關節(jié)與非脫位髖關節(jié)圖像特征明顯不同,因此采用反向傳播神經網絡,以預處理后的髖臼部分圖像作為輸入,先篩查出脫位類型髖關節(jié)。然后,針對篩查出的非脫位類型的髖關節(jié),進行圖像分割。圖像分割部分為系統(tǒng)的核心,針對髖關節(jié)圖像的特點,本文在現(xiàn)有分割算法的基礎上,提出采用兩次分割的方法以獲得最佳圖像分割效果。在第一次分割中,采用處理亮度不均圖像的分割算法進行分割,并將演化后的水平集函數(shù)映射為新的灰度均勻圖像,以解決超聲圖像灰度不均問題;在第二次分割中,提出在CV模型中加入形狀先驗能量項和水平集正則項,使CV模型中水平集函... 

【文章來源】：廈門大學福建省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：75 頁

【學位級別】：碩士

【部分圖文】：

圖１．１?股骨頭覆蓋率示意圖??

圖３．２?多輸入神經元??ｘ〇?＝?（ｒｃ？，＾，－?？?－，ｘ°ｒ）Ｔ數(shù)ａ可以是任意函數(shù)，ｕ，為連接權向量，６為偏置。凈輸入叫被在／中產生神經元的標量輸出ａｉ，ｇ卩＆??神經網絡在實際應用前需要通過訓練對神經網絡的權值和偏完成固定工作，而這種權值和偏置的調整方法稱為學習規(guī)則。點可將其分為有監(jiān)督學習、無監(jiān)督學習及增強學習。有監(jiān)督輸出與預期輸出相比較，并通過調整網絡的權值和偏置使得預期輸出越來越接近；無監(jiān)督學習則是直接根據(jù)網絡的輸入置，學會將輸入模式分為有限的類型，從而完成聚類操作；一個級別或評分，并通過評分完成對輸入序列性能測度，較為用。??

?輸入層隱含層?輸出層??＿??圖３．１?神經網絡示意圖??Ｖ〇?／＾ｓ．??ｆｔ）??圖３．２?多輸入神經元??ｘ〇?＝?（ｒｃ？，＾，－?？?－，ｘ°ｒ）Ｔ?（３．３）??激活函數(shù)ａ可以是任意函數(shù)，ｕ，為連接權向量，６為偏置。凈輸入叫被送入傳輸??函數(shù)／，在／中產生神經元的標量輸出ａｉ，ｇ卩＆??人工神經網絡在實際應用前需要通過訓練對神經網絡的權值和偏置進行調??整使其能完成固定工作，而這種權值和偏置的調整方法稱為學習規(guī)則。根據(jù)學??習規(guī)則特點可將其分為有監(jiān)督學習、無監(jiān)督學習及增強學習。有監(jiān)督學習規(guī)則??是將網絡輸出與預期輸出相比較，并通過調整網絡的權值和偏置使得網絡的實??際輸出與預期輸出越來越接近；無監(jiān)督學習則是直接根據(jù)網絡的輸入調整網絡??權值及偏置，學會將輸入模式分為有限的類型，從而完成聚類操作；增強學習??僅給出一個級別或評分，并通過評分完成對輸入序列性能測度，較為適合控制??系統(tǒng)應用。??－１８－??


本文編號：3095144