發(fā)布時間：2025-04-18 05:16

　　隨著經濟社會的飛速發(fā)展,人口老齡化、城鎮(zhèn)化進程加速,我國心血管患病人數(shù)日益增加,已成為重大公共衛(wèi)生問題。心血管疾病是可防可治的,關鍵在于“早發(fā)現(xiàn)、早預防、早治療”。醫(yī)學影像正是篩查、診斷此類疾病的關鍵途徑之一。隨著科學技術日新月異地發(fā)展,醫(yī)學影像在臨床上應用的比重也不斷增加。冠狀動脈血管成像(CTCA)可以清楚顯示冠狀動脈的結構,加之影像重建技術,可以將冠狀動脈圖像通過計算機立體還原,可以進行組織定量分析、診斷,定位組織病變的位置,學習組織結構,規(guī)劃治療以及指導手術等。本文主要研究對象為冠狀動脈CT血管影像(CTCA),首先對冠狀動脈血管分割、血管中心線提取算法進行調研及實驗,然后開發(fā)冠狀動脈成像的血管中心線提取軟件。具體工作內容和成果如下:(1)針對心血管�？崎_發(fā)醫(yī)學影像平臺的需求,對本文提出的冠狀動脈中心線提取軟件進行架構設計。將平臺設計為四層:數(shù)據(jù)層、算法層、接口層、應用層。數(shù)據(jù)層是架構的第一層,為上層提供數(shù)據(jù)。算法層利用MITK、開源算法和自研算法共同構建。接口層位于第三層,將第二層提供的算法通過封裝、組合等手段,供上層應用層調用。應用層通過圖形交互界面提供交互功能和結果展示。(...

【文章頁數(shù)】：77 頁

【學位級別】：碩士

【部分圖文】：

圖１．１血管分割流程圖??Ｆｉｇｕｒｅ?１．１?Ｖａｓｃｕｌａｒ?ｓｅｇｍｅｎｔａｔｉｏｎ?ｆｌｏｗ?ｃｈａｒｔ??

無監(jiān)督學習方法基于整體輸入數(shù)據(jù)的統(tǒng)計分布來表示指定特征。在沒有標記??數(shù)據(jù)訓練的情況下適用此方法。以分割性能評判時，通常劣于監(jiān)督學習方法。一??個典型的無監(jiān)督學習分割模型如

圖１．２無監(jiān)督學習分割模型??Ｆｉｇｕｒｅ?１．２?Ｕｎｓｕｐｅｒｖｉｓｅｄ?ｌｅａｒｎｉｎｇ?ｓｅｇｍｅｎｔａｔｉｏｎ?ｍｏｄｅｌ??

別的數(shù)據(jù)（如圖像的像素大小、梯度、顏色或灰度信息等）。原始圖像與其對應??的標簽數(shù)據(jù)一起參與模型訓練。訓練好的模型用于新數(shù)據(jù)的預測。一個典型的有??監(jiān)督學習分割模型如圖１．３所示。??０??Ｔｅｓｔｉｎｇ?ｉｍａｇｅ??ｆ??Ｆｅａｔｕｒｅ??ＴＲＡＩＮＩＮＧ???｜???—??....

圖１．３有監(jiān)督學習分割模型??Ｆｉｒｕｒｅ?１．３?Ｓｕｐｅｒｖｉｓｅｄ?ｌｅａｒｎｉｎｇ?ｓｅｇｍｅｎｔａｔｉｏｎ?ｍｏｄｅｌ??文獻８提取一組幾何和圖像特征，然后使用概性増強樹（ＰＢＴ）訓練

＼ｍｏｄｅｌｙ＾??圓??Ｓｅｇｍｅｎｔｅｄ?ｉｍａｇｅ??圖１．２無監(jiān)督學習分割模型??Ｆｉｇｕｒｅ?１．２?Ｕｎｓｕｐｅｒｖｉｓｅｄ?ｌｅａｒｎｉｎｇ?ｓｅｇｍｅｎｔａｔｉｏｎ?ｍｏｄｅｌ??有監(jiān)督學習用標記的數(shù)據(jù)訓練獲得規(guī)則。在血管分割任務中，一般是像素級??別的數(shù)據(jù)（如圖....

圖１．４最大內切圓法??Ｆｉｒｕｒｅ?１．４?Ｍａｘｉｍｕｍ?ｉｎｓｃｒｉｂｅｄ?ｃｉｒｃｌｅ?ｍｅｔｈｏｄ??

草原區(qū)各向均勻蔓延，當火蔓延時與其他方向的火相遇，即燃滅。燃滅的點集構??成草原（即目標區(qū)域）的骨架�！白畲髢惹袌A”是計算目標區(qū)域的最大內切圓，??內切圓的圓心即為骨架上的點，如圖１．４所示。隨著內接圓在目標區(qū)域移動，便??得到內切圓圓心構成的點集，該點集構成目標區(qū)域的骨架［２３....

本文編號：4040591