【摘 要】
：
伴随着计算机科学的不断发展,图像技术开始与临床医学相融合,产生了现代医学成像技术。现代医学成像技术通过提取人体各个组织的生物特征信息并加以分析,可以获得患者检查部位组织的生理功能和代谢状态信息,实时地反映患者的健康状况。医疗图像成像技术的发展将传统的解剖学观察人体组织转化为如借助电子计算机断层扫描仪器对器官影像进行选择处理,临床医师可以更加直观高效的对患者进行诊断并给出相应的治疗方案,减少了患者的
论文部分内容阅读
伴随着计算机科学的不断发展,图像技术开始与临床医学相融合,产生了现代医学成像技术。现代医学成像技术通过提取人体各个组织的生物特征信息并加以分析,可以获得患者检查部位组织的生理功能和代谢状态信息,实时地反映患者的健康状况。医疗图像成像技术的发展将传统的解剖学观察人体组织转化为如借助电子计算机断层扫描仪器对器官影像进行选择处理,临床医师可以更加直观高效的对患者进行诊断并给出相应的治疗方案,减少了患者的痛苦和创伤,为病人争取到宝贵的治疗时间。通过深化医疗图像分割技术的研究,可以提高医疗图像的精度并能执行相应的诊断操作,推进了现代医学的进步,并对未来的医学领域产生深远的影响,因而医疗图像分割技术的热度在国内外一直居高不下。随着数字科技与人工智能技术的发展,传统的组织切片被数字切片替代。数字切片可以被保存和传输,还可以被处理分析,从而辅助医生对病人进行专业的诊断。传统水平集演化方法在图像分割中已经非常流行,传统的水平集模型依照图像的梯度信息进行演化,然而当出现多边界,强边界问题时,梯度信息无法区分目标边界和背景边界。因此当图像中存在多个不需要的边界时,通常无法收敛到所需的边界。此外,传统的水平集模型对初始位置非常敏感,不同形状,不同位置的初始轮廓均对分割的结果造成较大的影响,甚至导致分割的失败。为了解决强边界,弱边界问题,我们改进了传统的距离正则化水平集演化方法,引入了新的边缘指示函数,并提出了一种用于图像分割的改进距离正则化水平集演化方法。同时我们增加了新的正则项使曲线收敛平滑。为了解决水平集分割图像时的初始点选择的问题,本文与深度学习结合,使用U-Net网络对原始图像进行预分割,并提出了一种新型初始轮廓自动检测方法,可以使初始轮廓在图像的中心处从展开,为第二步的水平集精细分割打下基础。综上所述,我们结合深度学习与距离正则化水平集的新模型在医疗图像分割上有着良好的效果。
其他文献
语义分割是计算机视觉领域中的一个重要方向。随着医学图像分析、汽车的自动驾驶等领域的发展,语义分割任务变得越来越重要。语义分割结果的精确度越高,对于下游任务的效果越好。由于语义分割需要像素级别的图像标注,这会为数据集的准备工作带来巨大的工作量,会损耗大量的时间,因此很难对规模巨大的数据集进行人工标注。本文在已有算法的基础上提出了一种基于半监督学习的混合伪标签语义分割算法,使用半监督学习来解决像素级别
医学影像产业是我国医疗器械领域中最大的细分领域。近些年来,随着人工智能技术和医学影像技术的迅速发展和大幅度进步,医学影像已经成为了临床疾病诊断、疾病治疗以及现代医学研究中一个必不可少的技术手段。在医学影像辅助诊断领域中,医生或研究人员在对内部组织器官进行定性和定量分析、病情实时监控以及未来治疗规划时,为了能够做出尽可能正确的治疗决策,通常需要了解这种组织器官的一些详细信息,因此生物医学影像已成为疾
医学图像分割是医学领域中非常基础且重要的任务,有助于辅助诊断和临床研究。随着深度学习的蓬勃发展,卷积神经网络（Convolutional Neural Network,CNN）方法在生物医学图像分割领域表现十分优异。但是深度学习在处理医学图像任务时主要存在两方面问题:1)医学图像数据处理困难,医学图像的模态多样化,经常存在伪影、噪声等,且不同于自然图像,医学图像获取困难,导致数据量较小。2)卷积神
对于真核细胞来说,生物过程都是由不同层次的复杂生物机制调控的。DNA序列既是承载着生物信息的基石,也是传递信息的桥梁,其包括了生化过程中所需的信号。基因必须经过转录和翻译生化处理阶段,才能实现其特定的功能。基于此,识别基因组信号和区域（genomic signals and regions,GSR）对于理解基因组组织、基因调控和基因功能非常重要。与本研究有关的两种GSRs为多腺苷酸化信号（poly
由于互联网应用中的高维多标签数据的骤增,造成单标签特征选择算法无法满足人们日常生活和科学研究的需求。传统多标签数据集的处理是将多标签数据转换成单标签数据,然后直接使用单标签特征选择算法进行特征选择。但是这种方案忽视了标签空间中各个标签之间相关程度。算法适应性方法作为另一种多标签数据处理方案,通过优化传统单标签特征选择算法直接使用多标签数据集,解决了该问题。基于算法适应性方法的多标签特征选择算法从原
＜正＞目的为了保证骨科住院患者的安全,降低住院患者跌倒发生率,探讨骨科患者发生跌倒的原因和护理对策。骨科患者伤后或手术后肢体活动受限.存在不同程度的功能障碍。易发生跌倒事件,跌倒使患者受伤,延长住院时间,增加医疗成本。近年来,国内医院患者在住院期间跌倒导致的医疗争议事件时有发生,医院内跌倒不仅对住院病人造成二次伤害,在医患关系日益紧张的今天,也备受社会各界的广泛关注。
＜正＞假期，我到姨妈家小住了几天。一早，表妹写了一会儿作业，就下楼看电视了。她窝在沙发上，一边吃着零食，一边看得乐不可支。正看得着迷，姨妈过去“啪”的一声，把电视给关掉了。“干吗关了啊？”表妹不满地嘟囔着。“干吗？你都看多长时间了？”姨妈一手叉着腰，一手指着表妹数落起来，“这大热天的，
特征选择是根据特征的相关性,冗余性等因素对数据集进行维度约简的过程,目前已在机器学习、数据挖掘和模式识别等众多领域的分类任务中得到了广泛的应用,是对相关领域数据进行预处理,进而提升算法性能的重要手段。在特征选择任务中,应在保证较高分类准确率的前提下,尽最大限度地降低所选择的特征数量,以达到降维的目的。近年来,元启发式算法因其在处理复杂现实问题方面的高效性受到了学者们的广泛关注。与此同时,许多元启发
肝癌是发病率和致死率较高的肝脏疾病之一,肝癌治疗需要准确的诊断和计划。计算机断层扫描（CT）技术是诊断肝癌最常用的成像技术,可以提供人体腹部器官的准确解剖信息。但是,从CT扫描中手动分割肝脏器官和肿瘤既繁琐又耗时。目前,计算机辅助分割方法已广泛应用于肝脏和肝脏肿瘤的分割。然而,不同患者肝脏的位置、形状和大小差异较大,CT图像的对比度低并且器官边界模糊,使得自动化肝脏分割成为一项具有挑战性的任务。此
脑肿瘤是指在大脑内部生长的不正常细胞群,由于大脑结构的复杂性,对脑部肿瘤图像的病灶区域进行准确分割对医生诊断至关重要,而在图像分割任务中深度学习的应用也日渐广泛,在此背景下,本文对应用深度学习分割脑部肿瘤图像的方法进行研究,提出了基于密集跳跃连接的脑肿瘤图像分割方法。脑肿瘤图像序列的分析学习不仅要考虑到多维度的空间信息,还需要将多种成像模式下的图像进行关联学习,以获得更加准确的分割结果。为减少图像