给大家分享5篇关于肺部CT图像的计算机专业论文

今天分享的是关于肺部CT图像的5篇计算机毕业论文范文, 如果你的论文涉及到肺部CT图像等主题,本文能够帮助到你

基于深度学习的肺气管与肺叶分割技术研究

这是一篇关于肺部CT图像,肺气管分割,肺叶分割,深度学习的论文, 主要内容为随着现代社会空气污染日益严重,肺部组织疾病已成为发病率和致死率最高的疾病类别之一。肺部CT能提供毫米级别的高分辨率薄层影像,通过准确、高效地分割肺部组织结构以辅助肺部疾病的诊疗,已经成为当前的研究热点。本文重点研究肺气管和肺叶的分割。肺气管与肺叶的自动分割与重建不仅能帮助放射科医生定性、定量地评估肺部疾病,还能为肺癌手术的术前规划、术中导航和术后评估等提供有效的参考,省时省力,具有重要的临床价值。但由于细小的支气管末梢、不完整的肺叶裂以及肺部病变等原因,使得肺气管与肺叶的精确分割仍然是一个具有很大挑战的问题。本文基于深度学习方法,结合肺气管与肺叶本身的解剖学特点,针对肺气管与肺叶的精确分割进行了研究,主要研究内容如下:(1)在肺气管分割方面,由于目前细小气管的分割精度不足,仍存在欠分割和泄露等问题,本文考虑肺气管的多尺度和多分辨率特征,提出一种基于生成对抗网络的肺气管分割模型。该模型由执行图像分割的生成器和优化分割结果的判别器组成。首先,生成器部分基于3D U-Net编解码器框架,并辅以几个嵌入在编码器的感受野模块和嵌入在解码器的深度监督模块;感受野模块用来联合多尺度和多分辨率的信息,可增强不同尺度气管特征的可辨性,以解决粗大气管和细小气管尺度特征不同的问题;深度监督模块用来更好地捕获细小气管的特征信息,并可避免梯度消失现象,即能更好地利用浅层网络学习到气管的特征并加快模型收敛速度。其次,利用判别器对分割结果进行正则约束,从而产生空间上一致和连续的分割结果,以减轻肺气管欠分割和泄露现象。(2)在肺叶分割方面,由于肺叶个体体积较大,网络容易陷入局部最优,本文从全局视角考虑五个肺叶间的相对位置,提出一种基于双重注意力机制的肺叶分割模型。该模型采用V-Net作为分割网络的基础框架。首先,为了有效捕获肺叶的全局特征,设计了一个3D双重注意力模块作为网络的核心模块,它能有效地组合局部和全局特征,并能帮助捕获位置和通道这两个维度中的全局特征依赖,从而有助于突出肺叶的位置和类别。其次,为了解决训练和推理过程中输入和输出肺叶的类别不平衡的问题,提出一种改进的组合损失函数,提升了分割精度,并降低了假阳率和假阴率。最后,为了避免梯度消失的现象并加快网络训练速度,实现了一种渐进式输出方案,它是深度监督的增强方法,可逐步聚合最终输出和侧面输出之间的信息,并在隐藏层中获得相对有效的特征。在公开和内部数据库上的实验结果表明,本文提出的肺气管和肺叶分割模型具备在肺部CT图像中进行快速准确分割的能力,具有临床应用价值。

基于深度学习的肺部CT图像分割算法研究

这是一篇关于肺部CT图像,残差模块,注意力机制,编码-解码的论文, 主要内容为计算机断层扫描(Computed Tomography,CT)常作为肺癌和新冠肺炎等肺部疾病首选的影像检查和术前诊断方法,给予了医生很大的帮助,且有效促进了医学影像研究的发展。然而在使用深度学习方法分割CT图像时,普遍存在边缘模糊不清、数据标注困难、诊断严重依赖医生的主观经验和病变类型复杂等难题。因此,从肺部CT图像中自动分割病灶区域是一项极具挑战性的任务。实现肺部CT图像病灶区域的自动分割则能帮助放射科医生减轻诊断负担,有效提升临床诊断的效率和准确度。为了解决上述难题,本文以编码-解码结构作为基础架构,从提高无标签图像利用率和提升网络分割能力两方面开展肺部CT图像分割的深度学习模型研究,实现肺部病灶区域的高精度分割。完成的主要研究内容如下:(1)半监督双任务均衡融合网络模型(Dual-task Balanced Fusion Network,DBF-Net):肺部病灶区域边缘模糊不清,造成其与正常背景区域对比度低,难以获得标注数据,由此,本文提出一种半监督双任务均衡融合网络模型。为了更好地提取肺部病灶区域特征,该模型利用轻量级双卷积模块和纺锤形均衡融合金字塔模块执行下采样操作,同时结合半监督学习策略生成可靠的伪标签。此外,本文采用一种专门针对医学图像处理的图像增强方法,突显病灶位置,以促使模型提取更多视觉特征,获取更丰富的像素信息。一系列实验结果表明,所提出的模型在灵敏度、特异度和精确度三个评价指标上优于其他对比分割模型,具有较强的竞争力。(2)渐进式稠密融合网络模型(Progressive Dense Residual Fusion Network,PDRF-Net):快速、准确地从患者的肺部CT图像中分割病变部位,对于患者的早期诊断和监测具有重要意义。为此,本文提出一种渐进式稠密融合网络模型。该模型引入密集跳层连接来捕获多层次上下文信息,弥补网络传输中的特征损失问题。在编码-解码结构中设计高效的聚合残差模块,将视觉转换器(Vision Transformer)与残差块相结合,使模型能够从CT图像中提取更丰富、更细微的病灶特征。此外,本文引入双通道像素加权模块来逐步融合多个解码分支输出的特征图,获取分割图像的高质量预测结果。实验结果表明,提出的PDRF-Net模型分割性能优于其他主流算法,可以实现对肺部病灶区域的精准分割。(3)多尺度特征融合网络模型(Multiscale Feature-fusion Network,MFNet):在进行肺部CT图像病灶分割时,存在小目标区域欠分割和分布不均衡的问题。本文基于U-Net架构进行改良,提出一种多尺度特征融合网络模型。为了能够更好地关注肺部病灶特征,该模型设计有自注意力金字塔模块,展开不同层次特征的卷积处理,同时凭借自注意力机制计算像素关联性,强化特征显著性。此外,将原始U-Net的上采样替换为上采样残差模块,基于残差结构和通道特征激励降低浅层特征的信息损失,促使解码分支逐层恢复图像信息。在解码分支末端引入信息加权融合模块,根据自适应调节能力,达到特征加权融合效果并抑制图像背景像素的错误分类。具体实验结果表明,该模型的定量评价指标高于其他对比模型,并具有更好的肺部病灶分割性能。

基于CT图像的肺部GGO检测方法与系统

这是一篇关于肺部CT图像,GGO结节检测,肺部CAD系统,CVAE-GAN,深度强化学习的论文, 主要内容为癌症在全球具有“死亡杀手”的称谓,而肺癌在所有癌症中的死亡率最高,实现肺癌的早期诊断和治疗对降低死亡率具有重要意义。计算机辅助检测系统(Computer-Aided Detection,CAD)在临床使用上能有效地辅助医生进行疾病的侦察和诊断,降低临床判断的错误率。本研究以肺部CT图像中的磨玻璃密度影(Ground Glass Opacity,GGO)征象为中心,从系统和方法两方面开展研究,主要工作如下:(1)本研究实现了一套完整的在线肺部GGO检测系统。系统采用B/S结构,使用spring-mvc框架,实现了CT图像可视化在线显示、CT图像操作、肺部GGO检测、医生反馈等功能,后端融合肺部GGO检测方法和基于反馈的Deep QNetwork方法,实现肺部GGO征象的检测,并在临床使用过程中通过医生的反馈不断提高检测效果。(2)本文实现了肺部GGO检测方法。首先通过L2G多阈值分割方法进行候选区域的提取,再利用CVAE-GAN网络进行GGO真假阳性结节的生成,CVAEGAN网络包括自动编码网络、生成网络、分类网络、判别网络四个部分,自动编码网络对原图像进行编码,生成网络通过编码之后的变换进行解码生成类似的图片,分类网络对生成的图片进行分类,尽可能使得生成的图片分类正确,判别网络对生成的图片进行是否是真实图片的判别,尽可能得判别正确。我们用生成的真假阳性GGO结节对CNN分类网络进行训练,进行假阳性结节的去除。(3)提出一种基于反馈的Deep Q-Network模型。在临床使用中,通过医生对检测方法的反馈信息和已有的标注数据,利用强化学习中“奖励与惩罚”的思想,再结合深度学习网络学习到的特征来进一步进行假阳性的去除。我们设计了一个DQN＿GGO网络,根据Actor-Critic架构方式来进行训练,Actor网络进行动作的选择,Critic负责动作的评估,将训练好的CNN网络接入一个softmax分类器进行迁移学习,得到了较好的分类效果。基于以上3个研究点,我们形成一套完整的肺部GGO检测系统,并能在临床使用中不断进行学习,提高系统检测率,具有一定的临床使用价值。