【摘 要】
：
发生在肝脏部位的肿瘤病变具有较高的致死率,及早从腹部CT图像中分割出肝脏和肝脏肿瘤是辅助医生对患者进行诊疗的关键。然而,人工分割耗时长,效率低;且CT图像具有对比度低、器官组织间灰度值较为相似和肝脏肿瘤形状大小多变等特点,使得快速准确分割出肝脏和肝脏肿瘤仍是一项挑战性的任务。随着深度学习技术在计算机视觉任务中表现优异,在医学图像分割领域得到广泛研究与应用。因此,本文使用深度学习技术来实现肝脏和肝脏
论文部分内容阅读
发生在肝脏部位的肿瘤病变具有较高的致死率,及早从腹部CT图像中分割出肝脏和肝脏肿瘤是辅助医生对患者进行诊疗的关键。然而,人工分割耗时长,效率低;且CT图像具有对比度低、器官组织间灰度值较为相似和肝脏肿瘤形状大小多变等特点,使得快速准确分割出肝脏和肝脏肿瘤仍是一项挑战性的任务。随着深度学习技术在计算机视觉任务中表现优异,在医学图像分割领域得到广泛研究与应用。因此,本文使用深度学习技术来实现肝脏和肝脏肿瘤的高效自动分割,主要研究内容如下:（1）腹部CT图像中肝脏区域的分割。针对CT图像中肝脏与相邻器官组织的灰度值较为相似,使得一些微小的细节特征不易被关注等问题,提出一种基于多尺度语义特征和注意力机制的肝脏分割网络（Mutil-scale Semantic Feature Attention-Net,MSFA-Net）。首先,在网络中使用空洞残差卷积（Dilated Residual Convolution,DRC）来捕获多尺度特征;其次,通过MSFA模块将特征提取层相邻的低级特征和高级特征与注意力机制相结合,来获取多尺度特征和关注重要特征;最后,在网络解码器各层通过深度监督（Deep Supervise,DS）增强特征传输。实验表明,该网络可有效关注不同尺度的关键特征,获得较为精确的分割结果。（2）腹部CT图像中肝脏肿瘤区域的分割。针对肝脏肿瘤在CT图像中占比小,结构复杂,以及与正常组织对比度较低的问题,提出一种基于级联结构和特征融合的肝脏肿瘤分割网络（Feature Fusion W-Net,FFW-Net）。首先,该网络采用级联两个3D U-Net的结构来提高信息提取能力,并使用侧输出特征融合注意（Side-output Feature Fusion Attention,SFFA）模块将不同层次的特征融合,结合注意力机制关注重要信息;然后,使用空洞空间金字塔池化注意（ASPP Attention,ASPPA）模块提取多尺度语义特征;最后,通过改进的深度监督模块（DS）将这些特征充分融合以提高模型的分割性能。实验表明,与同类型的其他方法相比,该网络获得较好的分割结果。（3）肝脏肿瘤CT图像分割系统。系统基于前两个研究内容,使用Python编程语言、B/S架构、Vue前端技术和Flask后端技术来实现,便于医生用于肝脏和肝脏肿瘤的分割预测。系统为用户提供了从患者腹部CT图像中自动分割出肝脏和肝脏肿瘤的功能,并实现了分割结果的可视化。
其他文献
小目标检测与跟踪是计算机视觉中的重要研究问题之一,构建恰当的计算模型,高效准确地检测和跟踪小目标对象对人工智能的发展具有重要意义。近年来,生物视觉感知神经机理已初步得到揭示,这为解决计算机视觉感知中的难点问题提供了新的研究思路。目前,生物视觉神经学理论已被初步应用在构建执行诸如碰撞检测、运动模式识别等视觉感知任务的新型人工视觉系统,但对小目标对象的检测、运动跟踪等仍鲜有涉足。因此,深入挖掘生物视觉
随着智慧医疗技术的迅速发展,电子病历因易存储、易操作和易共享等特性逐渐常态化。然而,传统医疗数据共享存在开销大、效率低、患者隐私信息易泄露等问题,从而患者医疗数据的隐私安全得不到保障。区块链技术具有去中心化、防篡改、公开透明、可审计等特性,可作为一种分布式环境中的可信数据账本,能够实现数据共享过程中的数据可追溯。属性加密是数据安全访问控制技术的一种,是数据共享过程中保证数据安全性和可靠性的重要手段
行人重识别技术旨在从由多个摄像头拍摄而成的行人图像库中检索出目标行人。基于深度学习的行人重识别模型在拥有大量数据作为支持的情况下能达到很好的性能,但行人重识别领域绝大多数的工作主要是设计更好的网络架构模型,对于设计更好的数据增强方法却少有人去探索。在实际的应用场景中,行人重识别还面临着跨域的挑战,即将一个数据集上表现良好的行人重识别模型应用于另一个数据集时,由于源域数据和目标域数据来自不同的场景,
无线传感器网络（Wireless sensor networks,WSN）是由大量低价、低性能、可自我管理的节点聚合组成的一种分布式传感网络。作为物联网底层支撑技术,无线传感器网络因其特殊结构获得便利,但也因此引入了诸多传统技术难以解决的安全问题。例如,WSN的物理脆弱性致使部署其中的安全系统更易遭受内部攻击,其计算资源受限性又阻碍了相应信任环境的构建。但如今,区块链技术给出了诸多解决物联网环境信
推进农民合作社质量提升，加大对运行规范的农民合作社扶持力度，新时代在农民合作社示范社培育上到了从数量型向质量型的转变，到了全面提质、综合增效的新阶段。为了进一步加强示范社建设工作，创新示范社培育机制，发挥好示范社的典型引领作用，应该加强人员培训、完善考评措施、创新项目扶持、建立统筹机制，促进示范社建设迈向更高的台阶，充分发挥典型示范社在农民专业合作社整体质量提升中的典型示范、典型引领作用。
教师模型全体隐私聚合（Private Aggregation of Teacher Ensembles,PATE）方案是机器学习领域内针对隐私保护的重要框架,但其存在由数据独立存储及数据划分导致的教师模型分类准确率低的问题。联邦学习是一种保护数据隐私的机器学习框架,各参与方以数据不出本地为前提联合训练一个联邦模型,能解决PATE中存在的模型分类准确率低的问题。因此,本文结合联邦学习的思想以优化PA
近年来,随着数字经济时代的来临,“信息过载”日益凸显。为了解决这个问题,个性化推荐系统得到了飞速的发展。在目前的推荐系统中,研究人员通常从用户和项目的直接交互出发,依赖于神经网络或图神经网络等非线性推理技术挖掘用户和项目的深层嵌入表示。然而,这些研究忽略了对间接交互进行直接建模的重要性,导致无法较好地捕捉隐含关系中蕴含的交互信息,从而降低了推荐系统的性能和可解释性。为了充分利用隐含关系及其交互信息
“三农”问题一直是我国高度关注的话题。自乡村振兴战略提出以来，各方社会力量切身投入于农村建设，并取得了卓越成果。其中，农民专业合作社发挥了举足轻重的作用。基于此，文章对部分地区农民专业合作社发展状况进行研究、整理和分析，阐述了目前农民专业合作社发展存在的问题，并从服务带动、管理规范、品牌建设、融资能力、人才引进等多个角度提出了农民专业合作社发展优化策略，用以促进农民专业合作社高质量发展，为相关工作
对抗样本攻击是一种影响人脸识别系统安全性和鲁棒性的攻击手段。与传统对抗样本生成方法相比,基于生成对抗网络（Generative Adversarial Networks,GAN）的对抗样本生成方法具有生成速度快、可承载的计算量大等优势。然而,现有基于GAN的人脸对抗样本生成方法仍存在训练不稳定、生成对抗样本质量较低以及针对亚洲人脸的研究较少的问题。因此,本文通过梯度惩罚项优化生成对抗网络和训练目标
在分布式环境下实现数据安全共享一直是研究热点,区块链以分布式共享全局账本的形式存储交易数据,为数据安全共享提供了平台支撑。然而,区块链上的交易信息对网络中全部节点公开透明,对用户隐私构成威胁。现有的区块链数据共享方案在进行隐私保护的同时可用性较低,数据共享难以实现隐私保护和可用性之间的平衡,有效实现区块链数据访问权限的动态调整是一个挑战性问题,这也是本文拟研究的问题。具体地,本文结合区块链技术、代