导读:本文包含了医学图像论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:图像,医学,神经网络,卷积,细胞,算子,语义。
医学图像论文文献综述
杨玉娥,马志雯,刘娟[1]（2019）在《基于形态学的医学图像分割方法研究》一文中研究指出医学细胞图像分割增强算法是医学细胞图像分析中的重要内容,首先对图像进行增强、平滑及降噪预处理,最终应用分割算法对细胞图像进行分割。本文中提出应用空间域法对医学细胞图像进行信息增强,通过高斯平滑滤波与降噪处理,得到增强细胞特征的图像。在图像分割步骤中,本文运用基于形态学与梯度计算的分水岭算法对医学细胞图像目标进行分割,得到医学细胞目标边缘。通过实验并与Canny算子进行比较,验证了本文算法的有效性。(本文来源于《中阿科技论坛(中英阿文)》期刊2019年04期）
沈仑,寿鹏里[2]（2019）在《基于互信息的多模态医学图像配准方法研究》一文中研究指出医学图像配准方法主要分为叁类:灰度信息法、变换域法、特征法,其中最常用的是灰度信息法。在灰度信息法中,研究方法最多的为基于互信息的图像配准方法。互信息用来比较两幅图像的统计依赖性,是两个随机变量相关性量度。近年来,基于互信息的多模态医学图像配准方法层次不穷,每种方法都有其优点和弊端,本文详细阐述基于互信息的医学图像配准方法的原理,算法以及优缺点。(本文来源于《科学技术创新》期刊2019年34期）
徐航,随力,张靖雯,赵彦富,李月如[3]（2019）在《卷积神经网络在医学图像分割中的研究进展》一文中研究指出卷积神经网络(CNN)是目前计算机视觉和模式识别中效果最为突出的算法。CNN拥有强大的空间识别能力,可以从图像中提取高阶的空间特征,同时通过共用卷积核的方式大幅减少参数量,从而在提升网络性能的同时保持总参数量在一个合理的、可运算的范畴。部分采用无监督学习的CNN算法可以在没有先验知识的条件下实现一定程度的图像语义分割,大幅减少人工读图的负担。本研究就CNN在医学图像分割中的研究进展和使用CNN时的具体技巧及其效果进行综述。以使用CNN为核心的深度学习工具解决医学图像分割的课题为中心,展示了CNN在有监督学习、半监督学习及无监督学习中的巨大潜力,分析比较了现有方案的优点与不足,探讨了未来CNN在医学图像领域的前进方向。(本文来源于《中国医学物理学杂志》期刊2019年11期）
孙伟[4]（2019）在《医学CT图像中特征提取方法的应用》一文中研究指出目的:探讨医学CT图像中特征提取方法的应用效果。方法:选择我院在2017年6月—2018年6月的100例进行了CT检查患者的临床资料作为研究对象,分别让我院的CT诊断人员根据临床经验和医学CT图像中特征提取方法对患者临床资料中的CT图像进行诊断,观察分析两种方法在检测准确性上的差别。结果:使用医学CT图像中特征提取方法进行诊断的准确性要高于常规经验检测。两组结果差异明显(P <0.05),具有统计学意义。结论:医学CT图像中特征提取方法的应用效果良好,具有极高的应用价值。(本文来源于《影像研究与医学应用》期刊2019年22期）
李波[5]（2019）在《精准医疗背景下医学图像中人工智能的应用》一文中研究指出近年来,人工智能技术在医学图像分析过程中的研究取得了很多成果,给精准医疗的更好开展奠定了坚实基础。借助于计算机分析,人们能够实现大数据的获取以及效率的提升,这样能够提取对于疾病诊断以及愈后有作用的核心数据,切实提高医疗大数据的使用情况,加快医疗个性化服务的完善,可以给精准医疗以后的提升做出更大的铺垫。通过人工智能技术,人们可以将医学影像当作介质,从而开展更为科学的精准医疗分析。文章把医学图像分析当做切入点,论述了人工智能在医学影像和病理切片在内的多种医学图像的应用,主要涉及到信息获取、疾病诊断等精准医疗研究方面,希能够给以后的研究明确方向。(本文来源于《信息通信》期刊2019年11期）
李智能,刘任任,梁光明[6]（2019）在《基于卷积神经网络的医学宫颈细胞图像的语义分割》一文中研究指出显微细胞分割的精度直接影响疾病的判别诊断,特别在宫颈细胞的显微病理图像中,细胞核的形态大小、与细胞质之间的比例参数等对于病情的良恶诊断具有重大的意义。为提高宫颈细胞核质分割的精度,提出一种基于卷积神经网络的医学宫颈细胞图像的语义分割方法。标定宫颈细胞显微图像中的细胞核和细胞质轮廓,制作基于长沙市第二人民医院的基于新柏氏液基细胞学检测TCT(Thinprep cytologic test)制片技术的宫颈TCT细胞涂片的CCTCT数据集;通过卷积神经网络对核质分割模型进行训练,避免人工提取特征;通过反卷积达到图像的语义分割。实验结果表明,该算法在宫颈细胞的显微病理图像中的核质分割准确率高达94.7%,具有很高的鲁棒性和适应性。(本文来源于《计算机应用与软件》期刊2019年11期）
王伟[7]（2019）在《图像存储与传输系统（PACS）在医学影像学教学中的应用》一文中研究指出图像存储与传输系统PACS在影像诊断中广泛应用,其在影像学教学中发挥越来越大的作用,本文介绍了PACS系统的组成部分,分析了PACS在教学中的优势,使用PACS系统教学应注意的问题。(本文来源于《影像技术》期刊2019年06期）
李晶晶[8]（2019）在《基于小波变换和Zernike不变矩的CT/MRI医学图像处理技术》一文中研究指出仅采用小波变换技术融合CT/MRI医学图像时,只单次剔除CT/MRI医学图像不重要信息,残留大量冗余信息。为此,结合小波变换和Zernike不变矩方法处理CT/MRI医学图像,基于Zernike不变矩边缘检测算法构建较为理想的阶跃边缘模型,融合修正的CT/MRI医学图像放大效应后,通过Zernike不变矩检测图像亚像素边缘,首次剔除部分不重要信息;在此基础上采用小波变换方法将CT/MRI医学图像分割成3N个高频子带和1个低频子带,再次剔除CT/MRI医学图像中的不重要信息,最后依据图像区域方差值确定融合值,实现多个源CT/MRI医学图像信息融合。经过实验分析发现,融合后的CT/MRI图像能精准体现融合前图像信息,清晰度显着高于融合前图像。(本文来源于《现代电子技术》期刊2019年21期）
牛飞[9]（2019）在《基于物联网的医学图像病变区域自适应检测方法研究》一文中研究指出针对传统的图像病变区域检测方法准确性低的问题,提出了基于物联网的医学图像病变区域自适应检测方法。从提高医学图像病变区域图像检测准确性的角度出发,引入图像增强方法对医学图像病变区域特征进行提取,并引入小波变换算法,对图像病变区域进行各尺度下的小波变换,设定医学图像病变区域自适应阈值,以此实现医学图像病变区域的自适应检测。实验对比结果表明,此次设计的基于物联网的医学图像病变区域自适应检测方法比传统的方法准确性高,具有一定的实际应用意义。(本文来源于《电子世界》期刊2019年20期）
净亮,邵党国,相艳,马磊,杨朝强[10]（2019）在《BP神经网络在医学超声图像去噪中的应用研究》一文中研究指出超声图像作为一项独立出来的影响检查技术,以其便宜、简便、实时和对人体无害等优点服务于临床医学。然而在实际应用中,由于成像设备和成像原理等因素,导致所成图像中不可避免的出现了斑点噪声和失真的问题。这样不仅给医生诊断疾病增加了难度,给图像的后期处理也带来了不便。针对图像中存在的斑点噪声,本文利用BP神经网络强大的非线性映射能力,研究了利用BP神经网络对医学超声图像的降噪方法。首先根据实际需求构建出合适的神经网络模型,然后选取若干超声图像作为训练数据进行训练,再随机选取测试数据集对训练好的神经网络进行测试。通过两幅超图像的实验结果表明,利用BP神经网络模型可以有效地降低超声图像中的斑点噪声,并且能够较好地保留图像的边缘特征,是一种有效的医学超声图像降噪方法。(本文来源于《数据通信》期刊2019年05期）
医学图像论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
医学图像配准方法主要分为叁类:灰度信息法、变换域法、特征法,其中最常用的是灰度信息法。在灰度信息法中,研究方法最多的为基于互信息的图像配准方法。互信息用来比较两幅图像的统计依赖性,是两个随机变量相关性量度。近年来,基于互信息的多模态医学图像配准方法层次不穷,每种方法都有其优点和弊端,本文详细阐述基于互信息的医学图像配准方法的原理,算法以及优缺点。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
医学图像论文参考文献
[1].杨玉娥,马志雯,刘娟.基于形态学的医学图像分割方法研究[J].中阿科技论坛(中英阿文).2019
[2].沈仑,寿鹏里.基于互信息的多模态医学图像配准方法研究[J].科学技术创新.2019
[3].徐航,随力,张靖雯,赵彦富,李月如.卷积神经网络在医学图像分割中的研究进展[J].中国医学物理学杂志.2019
[4].孙伟.医学CT图像中特征提取方法的应用[J].影像研究与医学应用.2019
[5].李波.精准医疗背景下医学图像中人工智能的应用[J].信息通信.2019
[6].李智能,刘任任,梁光明.基于卷积神经网络的医学宫颈细胞图像的语义分割[J].计算机应用与软件.2019
[7].王伟.图像存储与传输系统（PACS）在医学影像学教学中的应用[J].影像技术.2019
[8].李晶晶.基于小波变换和Zernike不变矩的CT/MRI医学图像处理技术[J].现代电子技术.2019
[9].牛飞.基于物联网的医学图像病变区域自适应检测方法研究[J].电子世界.2019
[10].净亮,邵党国,相艳,马磊,杨朝强.BP神经网络在医学超声图像去噪中的应用研究[J].数据通信.2019
论文知识图
