近年來,醫(yī)學(xué)影像與人工智能的結(jié)合成為數(shù)字醫(yī)療產(chǎn)業(yè)的研究熱點(diǎn)。人工智能技術(shù)處理醫(yī)學(xué)影像并參與醫(yī)療診斷已經(jīng)成為圖像處理領(lǐng)域重要的研究方向,醫(yī)學(xué)圖像分割是其中最為重要的研究熱點(diǎn)之一。本文基于全卷積神經(jīng)網(wǎng)絡(luò)對(duì)甲狀腺結(jié)節(jié)超聲圖像進(jìn)行分割。針對(duì)超聲圖像分辨率低、干擾信息多帶來的分割困難、準(zhǔn)確率低等問題,論文提出逐層語義分割算法,主要分為三個(gè)層次:首先是甲狀腺超聲圖像ROI分割,使用下采樣與上采樣完全對(duì)應(yīng)的全卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),可以去除原始超聲圖像四周的儀器信息等干擾,提取出超聲反射區(qū)域;其次,在上述超聲圖像ROI區(qū)域進(jìn)行甲狀腺結(jié)節(jié)的粗定位,包括人工標(biāo)記檢測(cè)、定位以及根據(jù)人工標(biāo)記定位結(jié)節(jié),可以將結(jié)節(jié)之外的血管等超聲干擾區(qū)域去掉;最后對(duì)粗定位結(jié)節(jié)進(jìn)行精細(xì)分割,使用以VGG19作為下采樣層的深度全卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)對(duì)甲狀腺結(jié)節(jié)粗定位圖像進(jìn)行特征提取及分割。算法通過三級(jí)串聯(lián)層逐步減少超聲圖像中的各種干擾信息,最終大幅提高結(jié)節(jié)分割準(zhǔn)確性。論文以天津醫(yī)科大學(xué)腫瘤醫(yī)院提供的甲狀腺超聲圖像作為數(shù)據(jù)集,將逐層分割模型的訓(xùn)練結(jié)果與不進(jìn)行ROI分割與粗定位的原始超聲圖像結(jié)節(jié)分割以及不進(jìn)行粗定位的超聲圖像ROI區(qū)域結(jié)節(jié)分割的結(jié)...

【文章頁數(shù)】：61 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖1-1甲狀腺超聲圖像逐層分割算法

本文的主要研究內(nèi)容為逐層的甲狀腺結(jié)節(jié)超聲圖像分割算法。包括甲狀腺超聲圖像ROI的語義分割,ROI圖像上甲狀腺結(jié)節(jié)粗定位,粗定位圖像上甲狀腺結(jié)節(jié)細(xì)致的語義分割三個(gè)主要部分,如圖1-1所示。第一步,算法的輸入為原始甲狀腺超聲圖像,經(jīng)過ROI語義分割模型得到ROI預(yù)測(cè)圖,并將預(yù)測(cè)圖對(duì)應(yīng)....

圖2-1圖像語義分割示意圖[22]

圖像語義分割將圖像按照不同的語義劃分為不同的區(qū)域,并通過不同的顏色來可視化標(biāo)注出這些區(qū)域所代表的物體的類別。如圖2-1所示,圖像的語義分割可以通過不同的色彩標(biāo)識(shí)出輸入圖像中的摩托車、騎手和背景。因此,語義分割是密集的像素級(jí)預(yù)測(cè)。2.1.1語義分割評(píng)價(jià)指標(biāo)

圖2-2甲狀腺超聲圖像ROI分割數(shù)據(jù)示意圖

本文在天津醫(yī)科大學(xué)腫瘤醫(yī)院的幫助下制作了甲狀腺超聲圖像的數(shù)據(jù)集。數(shù)據(jù)集中共包含1000個(gè)病人的甲狀腺超聲圖像,其中訓(xùn)練集800張,測(cè)試集200張。在專業(yè)放射科醫(yī)生的指導(dǎo)下使用標(biāo)注工具分別每張超聲圖像進(jìn)行ROI標(biāo)注和結(jié)節(jié)輪廓標(biāo)注。標(biāo)注工具提供矩形輪廓繪制與任意輪廓繪制,完成繪制后自....

圖2-3甲狀腺超聲粗定位圖像結(jié)節(jié)分割數(shù)據(jù)集示意圖

對(duì)結(jié)節(jié)輪廓標(biāo)注完成后,將標(biāo)注圖像由其他專業(yè)放射科醫(yī)生審查,對(duì)標(biāo)注不合格的圖像進(jìn)行重新標(biāo)注,從而提高圖像標(biāo)注的可信度。將分別將兩類原始圖像與標(biāo)簽圖像分別放入image與annotation目錄中,原始圖像與對(duì)于標(biāo)簽文件名相同,得到甲狀腺超聲圖像ROI分割數(shù)據(jù)集與粗定位圖像結(jié)節(jié)分割數(shù)....

本文編號(hào)：4052602