【摘 要】
：
在临床诊断过程中，提取脑部中矢状面具有非常重要的意义，通过中矢状面计算头部偏角，从而摆正图像中头部的位置，可以为诊断脑部疾病提供最佳观察视角；根据中矢状面计算大脑左右半球的对称性，也能为判断某些脑部疾病的提供重要参考依据。但是，现有的中矢状面提取算法通常存在提取效果不佳、计算成本大和鲁棒性差等问题。 因此，本课题提出了一种基于深度学习的中矢状面提取方案，方案分为三个步骤：(1)使用图像分割网络识
论文部分内容阅读
在临床诊断过程中，提取脑部中矢状面具有非常重要的意义，通过中矢状面计算头部偏角，从而摆正图像中头部的位置，可以为诊断脑部疾病提供最佳观察视角；根据中矢状面计算大脑左右半球的对称性，也能为判断某些脑部疾病的提供重要参考依据。但是，现有的中矢状面提取算法通常存在提取效果不佳、计算成本大和鲁棒性差等问题。
因此，本课题提出了一种基于深度学习的中矢状面提取方案，方案分为三个步骤：(1)使用图像分割网络识别关键点区域；(2)使用k-means方法计算出每个切面中的关键点坐标，由于每个切面中关键点个数为2，故而k设为2；(3)根据关键点坐标，使用随机抽样一致性算法拟合出中矢状面，该算法能够有效地排除异常点的干扰。基于U-Net提出全新三维图像分割网络，新网络Group_Unet具有以下四个特点：(1)将三维CT图像中的每个切面当作二维图像形成一个通道，形成24个通道的二维数据输入Group_Unet；(2)将U-Net的通道拼接修改成通道相加形成Group_Unet，使其更好地反应端端之间的一一对应关系；(3)使用分组卷积平衡通道之间的关系信息和通道内部的几何信息；(4)修改Group_Unet各个阶段的通道数以适应课题数据。
实验采用自己标注的240个三维脑部CT图像，其中训练集199个样本、验证集41个样本。分别从图像分割、关键点检测和平面拟合等三个角度对模型进行评价。对验证集41个样本进行预测，其中图像分割的Dice相似系数为0.768，精确率为0.816，召回率为0.725。关键点检测的法向误差NE为1.558，平面拟合的中矢状面偏差角度为1.080°，整个流程的运行时间为0.534秒。实验证明，新提出的中矢状面计算方法准确率高、鲁棒性强、运行速度快，能够很好地运用于脑部疾病诊断。
其他文献
动态环境下无人机的路径规划就是在复杂环境下为无人机规划出一条从出发点到目标点的最优航线，应考虑环境中动、静态限制因素，搜索空间的指数级增长会带来非常大的计算消耗，为了降低计算消耗成本，现有方法将动态的限制因素在一定的规则下转为静态因素。针对动态栅格环境，首先设计了扩展层次图(Extended Hierarchical Graph，EHG)，将目标环境的动、静态限制因素数据转换为对应每个栅格的可通行
随着社交网络的快速发展和全球定位系统(GPS)的出现，人们越来越倾向于在位置社交网络(Location-based Social Networks，LBSNs)上以签到的形式分享他们的日常生活和旅游体验，兴趣点(Point-Of-Interest，POI)推荐则是快速发展的LBSNs中最重要的服务之一。在考虑签到行为周期性的基础上，时间感知的POI推荐旨在为给定的用户在一天中的指定时间推荐该用户未
随着社会的发展进步，各类高新技术、产品不断面世、落地、推广，人们的生活越来越便利，而支撑着这一切的关键便是电能。研究设备运行参数的异常检测技术，以保证电厂机组设备安全、可靠地运行，具有十分重要的现实意义。对电厂设备运行参数的异常检测，即使用设备在正常工况下的运行参数建立模型，要求该模型能识别出设备运行时发生的异常，尽早发现设备的劣化趋势，为故障诊断提供可靠的依据。 首先，提出了结合特征强化的深度
随着互联网的普及和智慧城市的发展，视频资源日渐丰富，基于视频的行为识别受到大家的广泛关注，其应用场景包括视频监控、视频审核以及智能安防等。最新的研究趋势是采用3D卷积神经网络进行视频行为识别，然而其增加的时间维度极大加重了模型的计算负载，使其难于应用终端设备。另一方面，视频行为识别模型与图像识别模型相比，更迫切得需要时序全局信息，因为它要求模型所提取出的行为特征具有整体连贯性和显著性，即要符合视频
随着互联网的快速发展和智能手机用户数量的增长，通过Internet访问和传播敏感(色情)图片变得非常容易，识别并过滤互联网上的敏感内容对于未成年人的健康成长和互联网的发展至关重要。近年来，基于卷积神经网络的敏感图像识别方法已经基本取代了传统方法，此类方法通常将敏感图像识别当作一般的图像分类任务，即从整幅图像中提取特征并进行分类。但是由于敏感图像的特殊性，敏感部位一般出现在整幅图像的局部，因此仅依赖
随着智慧城市的大力建设，监控摄像头等终端设备的体量暴增，对于终端设备的智能化分析需求也越来越大。作为计算机视觉任务中不可或缺的基础，目标检测因其重要的应用价值而获得广泛的关注与研究。近年来，深度学习的飞速发展使得目标检测的性能得到了极大的提升。然而，现有的目标检测网络由于其较大的计算量和参数量，大多不能应用于计算能力和存储资源有限的设备，如电子芯片、手机等。 为了实现专用于资源限制场景的轻量级视
图像拼接的任务是将多个具有一定重叠部分的图片拼接成一个无缝的大视景图像。目前图像拼接技术被广泛地用于生成全景照片、医学图像、虚拟现实等各个领域。现代的图像拼接算法通常基于特征匹配技术，依据图像中的特征匹配来估计图像的变换矩阵进行图像配准，再通过一定的方法融合配准后的图像得到拼接结果。 传统的图像拼接通常要求输入图像没有或只有很小的视差，具有较大视差的场景下的图像拼接问题是图像拼接领域的一个难点，
从自然场景图像中读取文本由于其广泛的应用而受到了计算机视觉领域、模式识别领域以及工业界的广泛关注。在如今的智能大数据时代，能够有效地对图像文本内容进行提取分析并信息智能化对于学术界的理论研究和工业界的技术驱动都具有深远意义，而图像文本检测是后续文本内容识别的先决条件，但由于场景图像因光照、拍摄角度、背景和文本多样性等诸多问题，目前还鲜有能适用于复杂场景图像文本检测的技术手段，因此，提高对复杂场景文
人脸三维建模是一项发展已久的计算机技术，目前已广泛用于医疗、游戏和影视娱乐等领域。传统获得三维人脸的方法成本较高、过程复杂，在一定程度上限制了三维人脸的应用场景。而随着计算机视觉技术的进一步发展，从二维图像中进行三维人脸重建的技术逐渐成型，该方法前置条件简单，容易实现全自动化。但该方法重建的三维模型目前还存在几何形状不够精确、纹理贴图效果易受光照影响等问题，尚有较大的提升空间。 对三维人脸重建过
前列腺癌是一种发生于男性前列腺的恶性肿瘤。临床上主要使用磁共振(MR)成像来对前列腺癌进行诊断。传统的人工阅片方法耗时长，且易受主观因素影响。计算机辅助诊断系统可有效提高医生诊断的效率和准确率。但是由于前列腺癌病灶具有体积小、轮廓模糊等特点，使用MR图像进行前列腺癌自动检测非常具有挑战性。 建立可用于深度学习的前列腺癌数据集非常困难，因此数据集中的训练样本较少。为了充分利用有限的数据，本文设计了