基于卷积神经网络的肾脏肿瘤CT图像分割系统的设计与研究
这是一篇关于肾脏肿瘤,边界模糊,假阳性,卷积神经网络,自动分割的论文, 主要内容为肾脏肿瘤是人类常见肿瘤之一,当前的主要治疗方式是手术切除。通常由专业医生对CT图像进行手工分割作为术前规划,但这会受到医生的经验技术影响且费时费力。由于肾脏肿瘤病变复杂、形态各异导致分割困难,本文针对肿瘤分割图像最为常见的边界模糊和假阳性问题提出一种基于卷积神经网络的肾脏肿瘤CT图像的自动分割方法。该方法具有精度高、可靠性强的特点,用于辅助医生进行手术规划以及诊断治疗,一定程度上缓解医疗压力。具体工作如下。本文提出的Efficient Net V2-UNet分割模型主要包含特征提取器、重构网络、贝叶斯决策算法三个部分。首先针对肿瘤假阳性现象选取训练精度高、效率快的Efficient Net V2特征提取器作为主干网络,利用下采样操作提取CT图像中肿瘤的位置、形态、纹理等浅层特征。其次基于主干网路设计重构网络,主要由转换块、反卷积块、卷积块、输出块等搭建成上采样架构,逐步恢复特征图的空间分辨率充分识别上下文信息,形成完整的编码-解码结构,并将左右两侧各级特征图通道叠加实现多尺度特征融合,防止细节丢失,进行肿瘤的精确分割。最后针对分割肿瘤的边缘模糊现象设计贝叶斯决策算法并串联在重构网络的输出上,结合原始CT图像和分割图像的边缘特征进行概率估算,增加模型边缘分割的准确率。本文模型采用Ki TS19肾脏肿瘤数据集进行三折交叉验证实验,并与七种主流模型进行多维度多评价指标的性能对比。实验结果表明,本文模型的分割图像相似度指标Dice系数为0.933、Jaccard系数为0.861,分别优于UNet模型0.030、0.064;其分类精准度指标Precision为0.958、F0.5-Score为0.945,分别优于UNet模型0.055、0.048;其图像结构相似度指标SSIM为0.974,优于UNet模型0.007。其次本文模型的ROC曲线对六种模型形成了包络,AUC面积为0.997,接近最优值,说明在大多数阈值下均有较好的分割效果。并且通过分步实验验证了本文模型对肿瘤分割边缘模糊和假阳性现象有明显的改善效果。另外,模型推理速度和参数量分别为17.505FPS、21.261M。综上所述,该模型分割准确率较高、鲁棒性良好、可靠性强,满足分割要求。本文使用Python3.8语言开发了基于Py Qt5框架的肾脏肿瘤CT图像分割软件,实现模型训练、生成数据集、单个或批量图像分割功能,将理论研究部署到实际应用,实现医学图像的自动分割,节约医疗资源。
基于卷积神经网络的肾脏肿瘤CT图像分割系统的设计与研究
这是一篇关于肾脏肿瘤,边界模糊,假阳性,卷积神经网络,自动分割的论文, 主要内容为肾脏肿瘤是人类常见肿瘤之一,当前的主要治疗方式是手术切除。通常由专业医生对CT图像进行手工分割作为术前规划,但这会受到医生的经验技术影响且费时费力。由于肾脏肿瘤病变复杂、形态各异导致分割困难,本文针对肿瘤分割图像最为常见的边界模糊和假阳性问题提出一种基于卷积神经网络的肾脏肿瘤CT图像的自动分割方法。该方法具有精度高、可靠性强的特点,用于辅助医生进行手术规划以及诊断治疗,一定程度上缓解医疗压力。具体工作如下。本文提出的Efficient Net V2-UNet分割模型主要包含特征提取器、重构网络、贝叶斯决策算法三个部分。首先针对肿瘤假阳性现象选取训练精度高、效率快的Efficient Net V2特征提取器作为主干网络,利用下采样操作提取CT图像中肿瘤的位置、形态、纹理等浅层特征。其次基于主干网路设计重构网络,主要由转换块、反卷积块、卷积块、输出块等搭建成上采样架构,逐步恢复特征图的空间分辨率充分识别上下文信息,形成完整的编码-解码结构,并将左右两侧各级特征图通道叠加实现多尺度特征融合,防止细节丢失,进行肿瘤的精确分割。最后针对分割肿瘤的边缘模糊现象设计贝叶斯决策算法并串联在重构网络的输出上,结合原始CT图像和分割图像的边缘特征进行概率估算,增加模型边缘分割的准确率。本文模型采用Ki TS19肾脏肿瘤数据集进行三折交叉验证实验,并与七种主流模型进行多维度多评价指标的性能对比。实验结果表明,本文模型的分割图像相似度指标Dice系数为0.933、Jaccard系数为0.861,分别优于UNet模型0.030、0.064;其分类精准度指标Precision为0.958、F0.5-Score为0.945,分别优于UNet模型0.055、0.048;其图像结构相似度指标SSIM为0.974,优于UNet模型0.007。其次本文模型的ROC曲线对六种模型形成了包络,AUC面积为0.997,接近最优值,说明在大多数阈值下均有较好的分割效果。并且通过分步实验验证了本文模型对肿瘤分割边缘模糊和假阳性现象有明显的改善效果。另外,模型推理速度和参数量分别为17.505FPS、21.261M。综上所述,该模型分割准确率较高、鲁棒性良好、可靠性强,满足分割要求。本文使用Python3.8语言开发了基于Py Qt5框架的肾脏肿瘤CT图像分割软件,实现模型训练、生成数据集、单个或批量图像分割功能,将理论研究部署到实际应用,实现医学图像的自动分割,节约医疗资源。
基于U-Net的双注意力网络子宫肌瘤分割研究
这是一篇关于子宫肌瘤,深度学习,自动分割,注意力机制,U-Net的论文, 主要内容为子宫肌瘤是女性生殖器官中最常见的良性肿瘤。较大的子宫肌瘤会对育龄妇女的生育产生影响,会增加女性不孕、流产和早产的几率。如今有多种技术方式能对子宫肌瘤进行诊断,其中磁共振成像(Magnetic resonance imaging,MRI)以其对软组织的高分辨率,无辐射损伤等优点成为了子宫肌瘤术前的常用检查手段。子宫肌瘤的准确分割对患者的病情诊断、治疗规划和术后评估有着重要的指导意义。临床上对子宫肌瘤的分割通常依赖于放射科医生的手动标注。随着深度学习技术的发展,一些自动分割方法被应用到医学图像领域。本文基于深度学习对术前磁共振(Magnetic resonance,MR)图像上的子宫肌瘤自动分割进行研究。我们的方法基于U-Net架构,集成了两种注意力机制:带有残差连接(Residual connections)和挤压与激励(Squeeze and excitation,SE)模块的通道注意力,以及金字塔池化模块(Pyramid pooling module,PPM)的空间注意力。我们进行了消融实验以验证这两种注意力机制模块的性能,并将我们的方法与其他深度学习方法进行了比较。所有实验均在同一具有150个临床病例数据的数据集上进行。经过预处理和数据扩充,我们对网络进行了训练,并在测试数据集上进行了测试。该方法的平均戴斯相似性系数(Dice similarity coefficient,DSC)、准确率(precision)、召回率(recall)和雅卡尔指数(Jaccard index,JI)分别达到0.8066±0.0956、0.8233±0.1255、0.7913±0.1304和0.6743±0.1317。分割结果表明,与U-Net等深度学习方法相比,两种注意力机制的引入使得分割结果更准确、更稳定,该方法可以作为临床诊断的辅助工具,为放射科医生提供决策支持。
基于U-Net的双注意力网络子宫肌瘤分割研究
这是一篇关于子宫肌瘤,深度学习,自动分割,注意力机制,U-Net的论文, 主要内容为子宫肌瘤是女性生殖器官中最常见的良性肿瘤。较大的子宫肌瘤会对育龄妇女的生育产生影响,会增加女性不孕、流产和早产的几率。如今有多种技术方式能对子宫肌瘤进行诊断,其中磁共振成像(Magnetic resonance imaging,MRI)以其对软组织的高分辨率,无辐射损伤等优点成为了子宫肌瘤术前的常用检查手段。子宫肌瘤的准确分割对患者的病情诊断、治疗规划和术后评估有着重要的指导意义。临床上对子宫肌瘤的分割通常依赖于放射科医生的手动标注。随着深度学习技术的发展,一些自动分割方法被应用到医学图像领域。本文基于深度学习对术前磁共振(Magnetic resonance,MR)图像上的子宫肌瘤自动分割进行研究。我们的方法基于U-Net架构,集成了两种注意力机制:带有残差连接(Residual connections)和挤压与激励(Squeeze and excitation,SE)模块的通道注意力,以及金字塔池化模块(Pyramid pooling module,PPM)的空间注意力。我们进行了消融实验以验证这两种注意力机制模块的性能,并将我们的方法与其他深度学习方法进行了比较。所有实验均在同一具有150个临床病例数据的数据集上进行。经过预处理和数据扩充,我们对网络进行了训练,并在测试数据集上进行了测试。该方法的平均戴斯相似性系数(Dice similarity coefficient,DSC)、准确率(precision)、召回率(recall)和雅卡尔指数(Jaccard index,JI)分别达到0.8066±0.0956、0.8233±0.1255、0.7913±0.1304和0.6743±0.1317。分割结果表明,与U-Net等深度学习方法相比,两种注意力机制的引入使得分割结果更准确、更稳定,该方法可以作为临床诊断的辅助工具,为放射科医生提供决策支持。
基于3D V-net胸部多器官分割系统的研究与实现
这是一篇关于胸部多器官,自动分割,系统可视化,放射治疗的论文, 主要内容为据资料显示恶性肿瘤(又称为癌症)一直是危害人民身体健康的病因之一,其比率占死亡因素的一部分,每年我国在治疗恶性肿瘤的费用花销非常大,恶性肿瘤在我国呈现上升的趋势。放射治疗是对付恶性肿瘤的比较有效的方法,其方法对辐射剂量精确性有很高的要求,放射线治疗的成功率,又受肿瘤影响的器官及邻近受肿瘤影响的器官(称为危险器官(OARs))在治疗前后的细胞生长情况决定。放射治疗计划始于计算机断层扫描(CT)的筛选。为了更好指定放疗计划,需要对目标肿瘤和位于目标肿瘤附近的器官(OARs)进行描述。在此需要对CT图像中的器官进行分割操作。分割的金标准是以医生的手动划定为主,结合医生对器官的解剖学知识。但医学图像数据尤为庞大,一个病例就拥有上百个切片,医生对每一张切片进行标注是很耗时的,而且结果也会因为不同的操作人员而有差异。因此,提出自动分割算法的方案,对恶性肿瘤周围器官能准确分割有助于解释患者体内固有的位置和形态的变化,从而促进适应性和计算机辅助放射治疗。不仅有利于对感兴趣区域的定量评估,而且有利于准确的诊断、预后预测、手术计划和术中指导。许多基于图像分割的神经网络模型被提出,也相继得到了比较好的分割效果。由于医学图像的特殊性,直到2015年推出U-net网络模型,作为首个处理医学图像的分割网络,根据它的优点,使得医学图像分割结果有较好的准确度。在生物医学领域,三维的数据是很多的,一层一层转化为二维数据去标注是不现实的,而且用整个三维体积的全部数据去训练既低效又极有可能过拟合。经过改造后的三维U-net能很好解决三维数据的输入及训练。三维V-net网络模型是在三维U-net网络模型的结构中添加了残差模块和不同的损失函数。本文主要采用三维的V-net分割网络对SegTHOR挑战赛提供的公开数据集实现胸部多器官自动分割,并设计系统结合自动分割算法,可视化感兴趣区域。我们对公开数据集进行归一化和重采样等等预处理,制作训练集和测试集,通过导入网络模型进行训练得出分割准确度较好的多器官分割结果。用于可视化的界面设计应用基于Python3.6的环境下结合PyQt5以及OpenGL、nibabel图形处理库,主要包括登录面和主界面,其中功能涉及用户账号安全、文件读写、选择参数、训练网络模型以及可视化二维和三维医学图像。本文中系统的设计与医学影像深度学习算法结合。基于3D V-net网络胸部多器官分割系统能快速自动提取感兴趣区域,辅助医生对感兴趣区域在放射治疗计划中的评估。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：毕业设计客栈 ，原文地址：https://m.bishedaima.com/lunwen/54220.html
