论文部分内容阅读
医学图像分割是用于精准划分医学图像中感兴趣区域轮廓的过程,是计算机辅助诊断系统进一步处理、分析的基础,其分割结果能够为后续的疾病诊断、治疗方案规划以及治疗结果评估等提供参考依据。近年来,计算机断层成像(Computed Tomography,CT)和胸部X光成像(Chest X-Ray,CXR)均成为国内外研究的热点。本毕业论文针对肺部CT和CXR图像进行研究,其主要目的是构建精准的分割方法为放射科医生的诊断和治疗提供有效的帮助。研究内容包括:(1)针对有限数据集会降低深度学习全自动分割的精度,并且为了解决人工手绘轮廓工作量大的问题,提出一种基于闭合主曲线和反向传播神经网络融合的半自动肺部CT图像半自动分割方法。首先,该方法以少量的手绘点作为输入,利用基于改进的多边形线算法获取数据序列。其次,利用反向传播网络训练数据序列。最后,获得光滑的肺部轮廓,实现对肺部CT图像的半自动分割。在实验结果中,我们使用私有和公共CT数据集进行定量和定性的模型性能验证。(2)针对反向传播神经网络在训练过程中出现的过拟合,提出一种基于包和闭合多边形的肺部CXR图像半自动分割方法。首先,该方法利用凸包和凹包的融合模型实现粗分割,达到数据扩充的目的,进而解决神经网络训练过程中出现的过拟合。其次,利用细化步骤优化粗分割结果。在实验部分中,我们使用多个评估参数对所提出的模型进行定量的验证,并对顶角和肋膈角区域进行定性的局部放大评估。(3)针对半自动分割存在人工干预成本高和难度大等问题,提出一种基于掩码-区域卷积神经网络(Mask Region-Based Convolutional Neural Network,Mask-RCNN)和闭合主曲线的肺部CXR图像全自动分割方法。本方法验证于多个肺部公共数据集,并与多个现今先进方法比较。实验结果表明,该方法能够快速和准确地实现肺部CXR图像分割。(4)针对传统闭合主曲线模型经常受到异常顶点的干扰,并且针对不具有最优性能的机器学习模型往往会在训练过程中无法获得全局最优解等问题,提出一种基于增强神经网络和改进主曲线的肺部CXR图像全自动分割方法。本方法验证于多个包含病变的公共数据集,具有较好的临床意义。此外,我们通过定量和定性的实验结果验证所提出模型的性能。