6篇关于CT图像的计算机毕业论文

今天分享的是关于CT图像的6篇计算机毕业论文范文, 如果你的论文涉及到CT图像等主题,本文能够帮助到你

基于改进U-Net的肝脏CT影像分割方法研究

这是一篇关于深度学习,U-Net,CT图像,肝脏肿瘤分割,注意力机制的论文, 主要内容为肝癌是全球最普遍的癌症之一,严重危害着人们的生命和健康,早期的筛查和治疗可以有效降低癌症的发病率和病死率。当前,检查肝脏肿瘤最常用的方式是计算机断层扫描(Computed Tomography,CT)。对于治疗肿瘤,最主要的手段有肿瘤切除、介入治疗和放射治疗。术前详尽地获知肿瘤的数目和尺寸等信息,对于手术方案的科学制定意义重大。因此,在进行肝脏肿瘤治疗之前确保其精准分割至关重要。目前肝脏肿瘤的分割存在多个难点:肝脏邻近区域分布着许多器官和血管;肝脏肿瘤的位置、大小和形状非常复杂,边界也不清晰且灰度不均匀。在医疗诊断中,人工分割需要投入大量时间和精力,且结果也许不一致。半自动分割方法需要人工干预,其效果会受个人经验和主观性的影响。当前,在医学图像分割领域已广泛使用深度学习技术,本文基于U-Net网络框架进行研究。针对传统U-Net网络信息提取不充分、分割精度低等问题,提出了基于改进U-Net的肝脏分割方法。首先,在U-Net编码阶段使用混合空洞卷积替换原有卷积块,扩大感受野、提取更多的上下文信息;在解码阶段采用密集上采样卷积,捕获和解码更详细的信息;引入残差模块,加速模型的训练并防止网络退化。其次,在每个跳跃连接之间加入注意力机制(CBAM),使模型重点关注感兴趣区域的特征信息,并结合Focal Tversky损失函数以改善类不平衡问题。通过Li TS2017数据集的实验表明,相较于传统U-Net,所提方法在肝脏分割中Dice指标提升了3.56%,召回率提升了3.71%,精确率提升了2.76%。针对CT图像中小尺寸肝脏肿瘤区域的特征学习,提出了基于改进UNet3+的肝脏肿瘤分割方法:在UNet3+的编码阶段引入感受野模块,增强特征提取能力;在解码阶段使用数据相关型上采样(DUpsampling)代替原始上采样方式,恢复更精细的图像特征信息;在跳跃连接之间加入规范化注意力机制(NAM),使模型重点关注目标区域的特征,抑制冗余特征;最后使用交叉熵和Dice结合的混合损失函数,改善类别不均衡问题,提升网络的收敛性能。通过Li TS2017数据集的实验表明,相较于原始UNet3+,所提方法在肝脏肿瘤分割中Dice指标提升了4.05%,召回率提升了2.83%,精确率提升了3.92%。

基于CT图像的肝脏自动分割及三维成像

这是一篇关于CT图像,肝脏,注意力机制,图像序列性,三维重建的论文, 主要内容为肝脏是人体中非常重要的器官,近年来由肝脏引发的疾病所占比例越来越大。现阶段医生主要通过各种医疗设备获取的图像来观察肝脏,二维医学图像提供信息有限,给医生诊断带来一定困扰,三维肝脏模型可以让医生更直观地观察病情。现有的医疗图像三维重建方法大多基于图像中不同器官的阈值差异来进行三维模型的构建,三维模型搭建结果易受到其他器官、组织的干扰。针对上述问题,本文所做的主要研究工作如下:(1)提出了基于分割图像的肝脏三维重建方法。Marching Cubes算法通过建立等值面来构建三维模型,在CT图像中有些器官的距离近、CT值差异小,依靠阈值很难将其区分,干扰三维模型的搭建。针对上述问题,本文提出了一种基于分割图像的肝脏三维模型重建方法,先对肝脏进行分割,再利用分割后的图像进行三维重建,解决了器官间阈值接近干扰三维模型搭建的问题。(2)提出了基于人机协同的FANU-Net网络。基于阈值、边缘检测等传统分割方法不适用于医学图像分割问题,深度学习下的U-Net网络分割效果有所提升,但由于肝脏变化无规律、形状无明显特征,导致分割结果依旧不理想。本文在UNet网络中加入了全注意力模块与人机交互操作,通过加强模型特征提取能力与人工修正训练数据,改善了模型对肝脏的分割效果。(3)提出了基于序列性的Siam-FANU-Net网络。现有的基于深度学习的分割方法大多将分割重点放在对目标的特征提取上,但不同人的CT图像甚至同一个人的不同CT图像中肝脏形状都不同,特征不易提取。而CT图像是一段连续切片图像,图像中肝脏虽然有变化但具有连续性,故可以利用其连续性来辅助分割,提升网络的分割结果。我们将Siam Mask网络的分割模块替换为U-Net,提升了网络的分割能力,并增加了全注意力模块来提升网络的特征提取能力,模型的分割效果显著提升。

基于深度学习的肝脏肿瘤CT图像分割算法研究

这是一篇关于CT图像,深度学习,医学图像处理,肝脏肿瘤分割,注意力机制的论文, 主要内容为肝脏是人体组织结构中极其重要的器官,主要负责消化、代谢等功能。肝脏肿瘤是指肝脏器官上的异常肿瘤病变,对人体危害极大。利用电子计算机断层扫描(Computed Tomography,CT)技术,可以准确地识别出肝脏及其相关的疾病,为临床提供了一种高效的检测手段,从而为患者提供了更加准确的医学信息,从而发挥出它的最大的临床价值。但是由于肝脏以及肝脏肿瘤成像复杂,具有位置多变、样本个体差异性大、边界模糊以及对比度低等特性,因此临床实践中对CT图像中肝脏和肝脏肿瘤进行精确分割非常具有挑战性。本论文基于深度学习提出肝脏和肝脏肿瘤CT图像分割方法来解决上述难点。本论文的主要工作如下:第一,提出了一种基于CNN和Transformer融合的肝脏分割模型Res Trans Unet。该模型基于U-Net的编码解码结构,在编码结构使用双路径同时提取有效特征,通过特殊设计的特征增强单元在双路径的每一层不断地用Transformer提取到的全局特征去反馈增强CNN提取的特征。通过消融实验和对比实验进行验证分析,实验结果表明提出的模型能够准确地分割肝脏,同时相较于其他模型可以较好地解决了边界欠分割等问题。第二,提出了一种基于多尺度特征融合与注意力机制相结合的肝脏肿瘤分割模型RMAU-Net。该模型在U-Net的基础上进行改进创新,设计了基于残差和通道注意力机制的Res-SE-Block模块和基于多尺度特征与空间通道注意力机制相结合的MAB模块。经过实验结果证明,RMAU-Net模型在与其他先进模型对比有一定的精度提升,并且能在一定程度上解决小肿瘤分割困难的问题。第三,设计并开发基于Py Qt5的肝脏和肝脏肿瘤自动分割系统。本系统主要开发语言为Python编程语言,基于Py Qt5框架进行开发搭建。本系统实现的功能有CT图像加载显示、图像处理显示、肝脏分割及肝脏肿瘤分割等功能,同时具有良好的运行状态和稳定性,操作简单效率高,能够在临床实践中辅助医生进行诊断和治疗。

基于深度学习的肝脏肿瘤CT图像分割算法研究

基于RECIST直径标注的CT病变区域检测和分割算法研究

这是一篇关于目标检测,弱监督分割,病变区域,CT图像的论文, 主要内容为医学影像在现代临床医学中具有不可替代的重要地位。CT成像作为医学影像技术之一,在临床疾病诊断中广泛使用。由于放射科医生工作繁重且CT图像表现复杂,导致医生在阅片过程中人工分析主观性偏高且可能出现漏诊误诊问题。因此研究算法实现从CT图像中自动检测和分割病变区域有重要的临床意义和科研价值。近年来,随着深度学习的高速发展,深度学习与医学影像的结合日益紧密。目前已有许多研究提出基于深度学习的医学影像检测和分割方法,然而这些方法往往需要大量且精准的标注用于训练深度模型。高精度的可用标注数据需要有经验的放射科医生参与,这意味着需要花掉大量的人力成本。针对数据标注难度大的问题,本文专注于研究临床上可直接挖掘使用的RECIST直径标注,在不需要放射科医生进行任何额外标注的情况下,利用深度学习方法对CT图像的病变区域进行检测和分割。研究内容和主要贡献包括以下几个方面:第一,提出基于关键点检测网络的病变区域检测方法。将病变区域检测问题转化RECIST直径标注的关键点检测问题。RECIST直径标注的关键点通常位于病变区域的边缘,直接检测RECIST直径标注的关键点可以更充分地利用其提供的丰富语义信息。在DeepLesion数据集上,本文的实验结果在单张假阳性个数为4情况下的灵敏性可以达到92.49%。第二,提出基于边缘损失的弱监督病变区域分割方法。该弱监督分割方法针对只包含病变的感兴趣区域,使用部分交叉熵损失学习由RECIST直径标注构成的有效监督信息。考虑CT图像本身具有的边缘特征,模型引入边缘损失约束分割在图像模糊区域边缘线上的学习。在KiTS19数据集上,本文的实验结果Dice系数可以达到95.96%。第三,提出一个统一了检测和分割的框架CombDS-Net网络。CombDS-Net网络将检测和分割融合进同一个网络框架,可以进行端到端地检测和分割,其训练监督信息完全由RECIST直径标注提供。在KiTS19数据集上,本文的实验结果实例分割Dice系数可以达到87.07%。在DeepLesion数据集上,由可视化结果可以看出CombDS-Net网络能够预测出准确的分割结果。