导读:本文包含了器官分割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:器官,图像,神经网络,形状,卷积,深度,模型。
器官分割论文文献综述
胡昊文[1]（2019）在《基于统计先验的软组织器官自动分割方法研究》一文中研究指出软组织器官医学图像的准确分割是后续临床诊断与科学研究的基石。但由于软组织器官医学图像有灰度分布不均匀、不同生物个体间差异大以及存在噪声伪影等特点,使用常用的图像自动分割方法难以取得准确的分割结果。为了克服这一困难,本文对基于统计先验的软组织器官自动分割方法进行深入的研究,利用从训练样本中得到的统计先验信息来指导软组织器官的自动分割,以提高软组织器官分割的精度。本文主要研究了两种不同的基于统计先验的软组织器官自动分割方法,并分别进行了实验。本文的研究工作可概括如下:(1)针对软组织器官分割任务的复杂性,根据分阶段、多任务的思想,本文提出了一种基于关键点配准与叁维全卷积网络的软组织器官分割方法,将图像分割任务划分为多个分步骤进行的子任务。首先在训练图像上定义带均匀约束的关键点,并以此训练一个回归森林模型来检测待分割图像的关键点位置;之后根据这些关键点提供的统计先验信息训练一个浅层神经网络,指导待分割目标从训练图像到待分割图像上的映射,完成待分割目标初始化;最后使用一个叁维全卷积网络对待分割目标的轮廓进行微调,得到最终的分割结果。将该方法用于人体CT血管造影(CT angiography,CTA)图像上心脏目标的分割,分割结果的准确度、Dice系数与Hausdorff距离分别为96.25%,93.98%与2.12个体素,优于所有的对比方法。实验结果显示了本文提出的多任务整合分割方法在复杂软组织器官分割上的优越性,具有较大的临床应用潜力。(2)为了更好地评估软组织器官分割方法的有效性,从分割过程的后续应用角度出发,本文提出了一种基于小动物荧光分子断层成像(Fluorescent molecular tomography,FMT)重建精度的评价方法,用来评价融合了大量统计先验信息的基于主动形状模型(Active shape model,ASM)的分割方法。首先根据训练图像中得到的统计先验信息建立形状模型,接着利用灰度搜索策略在待分割图像上完成模型的形变分割,最后使用FMT重建得到小动物体内荧光团的位置。通过在小鼠micro-CT图像上进行肾脏分割与荧光团重建实验,基于ASM的分割方法对应的Dice系数、Hausdorff距离与重建距离误差分别达到了90%,0.30mm与1.75mm,不仅优于对比方法,重建距离误差也接近手动分割(金标准)对应的误差结果(1.70mm)。实验结果显示了统计先验在软组织器官分割中的作用,验证了使用FMT重建精度来评价分割方法的可行性。综上所述,本文主要研究了两种基于统计先验的软组织器官分割方法,分别从分割方法本身以及分割方法的评估两个角度展开研究,显示了基于统计先验的软组织器官分割方法的优越性以及使用FMT重建精度来评价分割方法的可行性。(本文来源于《西北大学》期刊2019-06-01）
徐宝泉,凌彤辉[2]（2019）在《基于级联Vnet-S网络的CT影像单一器官自动分割算法》一文中研究指出为了快速准确地对计算机断层扫描(CT)影像中的器官进行分割,提出基于级联Vnet-S网络的单一器官自动分割算法。首先,使用第一个Vnet-S网络对CT影像中的器官进行粗分割;然后,选择分割结果中的最大连接通量做两次膨胀,根据膨胀后的最大连接通量确定器官边界并提取器官区域;最后,使用第二个Vnet-S网络对器官进行细分割。为了验证算法的性能,采用MICCAI 2017 Liver Tumor Segmentation Challenge (LiTS)数据集进行肝脏分割实验,采用ISBI LUng Nodule Analysis 2016 (LUNA16)数据集进行肺分割实验。级联Vnet-S算法在LiTS的70例线上测试数据上的Dice系数为0. 960 0,在LUNA16的288例测试数据上的Dice系数为0. 981 0,均高于Vnet-S网络和Vnet网络。实验结果表明,基于级联Vnet-S网络的单一器官分割算法可以准确地对器官进行分割,而且级联Vnet-S算法的计算量小于Unet网络和Vnet网络。(本文来源于《计算机应用》期刊2019年08期）
王振松[3]（2019）在《CT图像头颈部组织器官分割方法研究》一文中研究指出头颈部癌症的发病率和致死率均为世界前列。放射治疗是医治头颈部癌症的一种重要且有效手段。在放射治疗过程中必须严格控制肿瘤靶区周围的危及器官接受到的放射剂量,以免造成其放射损伤从而影响患者的疗后生活质量。调强放射治疗可以在有效保护危及器官的同时实现与计划靶区体积高度适形的叁维剂量分布,是目前治疗头颈部癌症的最先进方式。为了充分发挥调强放射治疗的优势,必须基于放疗计划CT(Computed Tomography)影像对危及器官进行精确的勾画。然而由于头颈部重要器官比较集中,解剖关系复杂,目前临床上仍普遍采用的手工勾画方式既耗时又费力,而且难以保证勾画的准确性。囿于手工勾画的不足,人们希望由计算机代替医师进行自动勾画,并对此开展了大量的研究工作。然而从CT图像中自动地分割头颈部组织器官是非常困难的。首先,由于CT图像中软组织的图像灰度分辨率较低,软组织间的边界非常模糊,在某些区域甚至根本无法仅仅通过图像灰度确定边界;其次,头颈部重要组织器官集中,解剖关系复杂,而且某些器官在患者个体之间存在很大的差异性,因此自动分割需要应对异常复杂的CT图像背景;再者,病人头颈部体内的金属植入物如假牙等会造成CT图像中严重的金属伪影。头颈部CT图像的上述特点给其组织器官的自动分割带来了非常大的挑战。目前基于CT图像的头颈部组织器官自动分割方法仍然无法满足实际临床需求。针对上述问题,为了提高头颈部CT图像中组织器官自动分割的准确性和鲁棒性,本文深入研究了基于随机森林机器学习算法和形变模型的CT图像分割方法。主要工作和研究成果如下:(1)基于组织器官解剖位置先验约束的CT图谱对齐新方法。图谱对齐的精确度对基于机器学习的图像分割方法影像很大。传统的图谱对齐是通过对图谱中灰度图像的配准实现的。由于CT图像中软组织的图像灰度分辨率很低,传统方法无法得到理想的图谱对齐结果。针对这一问题,所提方法充分利用了图谱中标签图像所包含的组织器官解剖位置先验信息。一方面将组织器官解剖位置先验信息与灰度图像信息相结合形成混合不相似性测度,并将其作为优化目标函数,驱动空间变换模型的演化;另一方面利用组织器官解剖位置先验信息构建基于B样条的初始化形变模型以获得更好的优化初值,增强图谱对齐算法的鲁棒性。实验证明,采用所提方法获得的图谱对齐精度比传统方法有明显提高。(2)基于多级顶点回归的头颈部CT图像自动分割。基于形变模型的分割方法可以利用形状先验引导并约束分割,从而克服CT图像中软组织分辨率低的问题,在CT图像的组织器官分割中获得了广泛应用。然而基于形变模型的分割方法存在对初始化敏感、对目标器官的个体差异适应性弱以及对具有复杂形状的器官分割失效的问题。针对这些问题,本文提出了新的根据形状模型顶点的关键性强弱,逐级迭代回归预测的形变模型。所提出的基于顶点位移回归的隐式形变方式,回避了传统的显式形变方式中需要确定顶点移动方向及移动距离的问题,从而提高了形变模型的柔韧性和形状拟合精度;所提出的基于机器学习的形变模型关键顶点的识别、定位机制可以根据顶点独特性及个体间一致性的强弱,识别出关键的形变模型顶点并对其进行预测定位;所提出的目标器官形状和CT图像表观特征联合学习框架可以将形状先验和图像表观特征有机融合进一个基于随机森林的机器学习模型中。实验证明,该算法取得了比现有方法更高的分割精度和鲁棒性。(3)基于非盲学习的具有金属伪影的CT图像分割。传统的基于机器学习的图像分割方法仅从训练图谱中提取知识,以训练学习模型。图像分割的过程也仅进行盲目的知识模型应用,模型的训练和应用之间只有单方向的联系。而在伪影区域中,由于在图像表观上与正常CT图像的差异巨大,会造成训练所得的知识模型与实际待分割的目标图像不匹配的情况。这种情况下,强行将知识模型应用到目标图像进行分割,就会导致分割错误。针对这一问题,本文提出了“学以致用”的非盲学习策略,将待分割图像信息引入到机器学习模型的训练过程中,建立模型的训练和应用之间的双向联系,进行有针对性的模型训练。所提方法首先检测出待分割图像中的伪影区域;然后将伪影区域的位置信息反馈到模型训练过程;在对模型进行训练时,对伪影区域,禁止与其相关的图像灰度特征分量参与决策,仅保留与其相关的形状特征分量的决策权。实验结果表明,所提方法有效克服了伪影对分割结果的影响。(本文来源于《电子科技大学》期刊2019-04-02）
周正东,李剑波,辛润超,涂佳丽,贾俊山[4]（2019）在《基于带孔U-net神经网络的肺癌危及器官并行分割方法》一文中研究指出为了提高肺癌放疗计划危及器官勾画的精度和效率,提出了一种基于带孔U-net神经网络的肺癌放疗计划危及器官肺及心脏的并行分割方法.首先,构建了肺窗、心脏窗以及纵膈窗下的叁通道伪彩色图像数据集,将图像数据集分成训练集、验证集以及测试集;然后,搭建了带孔U-net神经网络,利用训练集和验证集对其进行训练和参数调优;最后,利用测试集对训练后的带孔U-net神经网络进行图像分割性能评价,并与U-net神经网络及3种传统图像分割算法进行比较.实验结果表明,带孔U-net神经网络分割性能最优,可有效地完成肺及心脏的自动并行分割,提高勾画效率,分割结果与人工勾画结果相当.(本文来源于《东南大学学报(自然科学版)》期刊2019年02期）
李庆勃,苏丹[5]（2019）在《基于V-Net的腹部多器官图像分割》一文中研究指出基于深度学习的图像分割中,好的训练效果不仅仅是选择了合适的网络框架,损失函数的选择也同样重要。本文中我们实现一种全卷积神经网络的叁维图像分割方法,该方法基于V-Net框架[1]。该网络是end-to-end的,的连接训练方案使用了PyTorch进行了实现,作为医学图像分割的基本实现。(本文来源于《数字技术与应用》期刊2019年01期）
杨琳,翟瑞芳,阳旭,彭辉,陶莎[6]（2019）在《结合超体素和区域增长的植物器官点云分割》一文中研究指出点云分割是点云识别与建模的基础。为提高点云分割准确率和效率,提出一种结合超体素和区域增长的自适应分割算法。根据叁维点云的空间位置和法向量信息,利用八叉树对点云进行初始分割得到超体素。选取超体素的中心体素组成一个新的重采样后的密度均匀点云,降低原始点云数据处理量,从而减少运算时间。建立重采样后点云数据的K-D树索引,根据其局部特征得到点云簇。最后将聚类结果返回到原始点云空间。分别选取植物叁个物候期的激光扫描点云,对该方法的有效性进行验证。实验结果表明,该方法分割后点云与手工分割平均拟合度达到93.38%,高于其他同类方法,且算法效率得到明显提升。(本文来源于《计算机工程与应用》期刊2019年16期）
吴益,张荣华,王亨,唐劲天[7]（2018）在《磁感应治疗计划系统中组织器官分割方法的研究》一文中研究指出磁感应热疗计划系统(MHTPS)需要向计划医生提供更加直观的叁维病灶属性,以辅助制定最优适形热疗计划。传统方法需手动勾画所有包含目标的片层,而后进行叁维重建,分割耗时巨大,无法满足临床实用性和高效性要求。本研究针对手动分割效率较低的问题,探究了新的热疗计划系统中组织器官分割方法,引入并优化基于多方向片层的薄板样条最小能量半自动分割方法。实验结果表明该分割方法能够较好地描述人体组织器官和肿瘤的二维轮廓和叁维模型,解决磁感应热疗计划系统中叁维治疗靶区的适形确定问题,显着改善了传统手动分割方法的效率,可集成至计划系统使用,减轻医生和物理师负担。(本文来源于《生物医学工程研究》期刊2018年02期）
吕朝晖[8]（2018）在《基于超像素的腹部图像多器官分割算法研究》一文中研究指出腹部影像是临床医生对腹部疾病进行诊断的重要参考依据,对腹部图像进行有效的器官分割是后期腹部器官病灶定位、腹部器官叁维重建、腹部手术导引的基础和关键步骤。现有的腹部器官分割算法大都针对单个特定的器官进行,此外,腹部图像相邻器官间模糊的边界与高灰度相似性的特点,为传统像素级别上进行的多器官分割带来了一定的困难。通过超像素算法可以获得一致性强、语义信息丰富的图像预分割结果,超像素的这些优异特性为腹部多器官分割提供新的解决思路。本文围绕着基于超像素的腹部图像多器官分割进行了如下研究工作:(1)针对目前缺乏高质量、已标注的腹部CT图像数据集的问题,收集建立了一整套完整的腹部CT图像多器官分割数据集。数据集包含20套,共计4103张人体腹部CT图像,并通过人工标注的方式对图像中主要的腹部器官进行了器官区域及边界标注。(2)针对医学图像灰度分布广、上下层相关性强的特点,提出了一种新的医学图像的超像素分割方法。在聚类过程中,建立CT图像上下层间的映射关系,同时对像素间距离度量方式改进。实验表明该方法在医学图像上获得良好的分割效果。(3)利用监督分类的思想解决腹部多器官分割问题,将腹部器官语义分割问题转化为超像素块的多分类问题。通过提取超像素的多种特征建立随机特征子空间,训练多个集成分类器,提高了腹部多器官语义分割的准确率。(4)为了减少单纯使用图像底层特征分类时出现的错分问题,结合先验知识,分别建立腹部各器官的灰度和位置信息的高斯先验模型。在对腹部超像素块分类过程中,使用该模型对多分类概率极限学习机的分类结果进行有效约束。实验结果表明,该方法在提高分类准确率的基础上提高了多器官分割的精度。(本文来源于《西北大学》期刊2018-06-01）
陈中华[9]（2018）在《基于先验知识的医学图像多器官分割》一文中研究指出随着医疗图像分析技术在医学研究和临床诊疗中的推广,许多临床应用需要能够从医学图像中快速分割得到多个器官区域,用以辅助多器官的模拟仿真和形态学、功能学测量。相比单个器官逐一分割,多个器官同时分割不仅提升了算法速度,还可借助多个器官之间在形态和位置上的相互依存关系来提升分割精度,增强算法鲁棒性。本文旨在开发一种从医学图像中同时分割多个器官的算法,借助多器官之间在形状和位置上的先验知识来提高分割算法的准确度和鲁棒性。本文选取小鼠CT图像作为目标图像,因为这种图像中X射线的剂量偏低,软组织对比度差,其中的多器官分割是急需解决的问题。本文主要工作如下:第一,研究了如何构建多器官的形状模型,以便为后续的图像分割提供形状先验知识。本文在现有的多分辨率统计形状模型基础上加以拓展,解决了现有方法因内存限制而无法对多器官叁维形态进行建模的问题,提出了针对多器官的多分辨率形状先验知识模型,能够从叁个分辨率层次(包括多器官、单器官以及器官局部范围)对多器官系统的形态变化进行建模。实验结果表明,本文所提出的多分辨率多器官形状建模方法比传统方法在形状表达方面具有更好的泛化性和特异性。第二,结合本文构建的多分辨率多器官统计形状模型,实现了对小鼠低剂量CT图像的多器官分割。由于低剂量CT图像中软组织边缘模糊缺失现象严重,本文结合了用户交互引导和形状先验知识实现多器官分割。在用户交互方面,使用变分Hermite径向基函数(Variational Hermite Radial Basis Function,VHRBF)实现了基于少量用户勾画的器官形态估计,并以此引导多分辨率多器官统计形状模型进一步细化分割。实验结果表明,基于本模型的分割方法比基于传统统计形状模型的分割方法取得了更好的分割精度,并且对不同用户的操作具有较好的一致性,有效实现了低剂量CT图像中多器官的快速分割。第叁,在前两部分研究的基础上,进一步研究了基于人工神经网络的多器官形状建模,采用栈式自编码(Stacked Autoencoder,SAE)神经网络尝试了非线性的多器官形状建模。对比传统的线性主成分分析方法构建多器官统计形状模型,基于SAE神经网络的非线性形状建模方法可以自动学习到多分辨率的模型变形特征,达到与第叁章的建模方法相似的效果,但是其算法的复杂度更低,并且可以学习到传统的建模方法学习不到的变形特征。(本文来源于《大连理工大学》期刊2018-05-03）
于世瑾[10]（2018）在《植物器官CT影像体分割算法的研究与实现》一文中研究指出植物作为地球上最常见到的景物,是组成地球生态系统非常重要的一部分,多年来,研究者一直在探索植物生命及其生长过程的奥秘并取得一定成果。花朵是植物最重要的器官之一,不仅种类繁多,并且具有复杂的形态结构和生命特性,高精度、高真实感的花朵对象模型仍然是研究热点问题之一。但是由于花朵本身结构复杂、内部组织贴合紧密等原因,使得叁维植物器官数据场分割工作一直是一项具有挑战性的课题。为解决植物器官CT影像的分割和可视化问题,本研究主要以植物花朵器官为研究对象,利用X射线计算机断层扫描系统(CT)获取花朵体数据信息,并对获取的花朵体数据信息进行分割处理,采用形态学细化算法对每幅分割后的植物器官图像进行骨架提取,然后采用击中/击不中变换获取特征端点的信息的方案,从而为植物器官的表面重建提供数据支撑。实验结果表明:本文算法能够更加准确地提取花朵的体数据信息,并在后续的可视化处理中取得较好的效果,具有重要的应用价值。本文重点对花朵器官CT图像的分割以及后续花朵器官提取骨架与特征端点进行研究,主要完成了以下工作:(1)研究了花朵器官CT图像的分割算法。虽然CT系统能够捕获花的内部结构的体数据,但是依然难以将它们准确地分割成特定器官并将其模型化为平滑曲面,因为花由彼此接触的薄的花瓣组成。本文结合均值偏移算法(MeanShift)和经典图割算法(Graph Cut),重新构造经典图割算法能量函数数据项和平滑项,后续通过最大流/最小割算法(max-flow/min-cut)处理,获取分割目标。(2)植物器官特征提取与可视化处理。该部分工作是在前面工作的基础上继续进行,在对花朵器官CT影像完成分割处理之后,采用离散曲线演化与形态学细化算法对每幅分割后的植物器官图像进行骨架提取,然后采用击中/击不中变换提取特征端点,提取的骨架及特征端点信息将作为特征点数据保存。后面通过线性八叉树模型对获取的点云数据进行可视化处理,得到的点云数据可视化显示,并实现交互式查看植物内部点云信息和提取的特征点数据信息。(本文来源于《西北农林科技大学》期刊2018-05-01）
器官分割论文开题报告
（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：
为了快速准确地对计算机断层扫描(CT)影像中的器官进行分割,提出基于级联Vnet-S网络的单一器官自动分割算法。首先,使用第一个Vnet-S网络对CT影像中的器官进行粗分割;然后,选择分割结果中的最大连接通量做两次膨胀,根据膨胀后的最大连接通量确定器官边界并提取器官区域;最后,使用第二个Vnet-S网络对器官进行细分割。为了验证算法的性能,采用MICCAI 2017 Liver Tumor Segmentation Challenge (LiTS)数据集进行肝脏分割实验,采用ISBI LUng Nodule Analysis 2016 (LUNA16)数据集进行肺分割实验。级联Vnet-S算法在LiTS的70例线上测试数据上的Dice系数为0. 960 0,在LUNA16的288例测试数据上的Dice系数为0. 981 0,均高于Vnet-S网络和Vnet网络。实验结果表明,基于级联Vnet-S网络的单一器官分割算法可以准确地对器官进行分割,而且级联Vnet-S算法的计算量小于Unet网络和Vnet网络。
（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。
器官分割论文参考文献
[1].胡昊文.基于统计先验的软组织器官自动分割方法研究[D].西北大学.2019
[2].徐宝泉,凌彤辉.基于级联Vnet-S网络的CT影像单一器官自动分割算法[J].计算机应用.2019
[3].王振松.CT图像头颈部组织器官分割方法研究[D].电子科技大学.2019
[4].周正东,李剑波,辛润超,涂佳丽,贾俊山.基于带孔U-net神经网络的肺癌危及器官并行分割方法[J].东南大学学报(自然科学版).2019
[5].李庆勃,苏丹.基于V-Net的腹部多器官图像分割[J].数字技术与应用.2019
[6].杨琳,翟瑞芳,阳旭,彭辉,陶莎.结合超体素和区域增长的植物器官点云分割[J].计算机工程与应用.2019
[7].吴益,张荣华,王亨,唐劲天.磁感应治疗计划系统中组织器官分割方法的研究[J].生物医学工程研究.2018
[8].吕朝晖.基于超像素的腹部图像多器官分割算法研究[D].西北大学.2018
[9].陈中华.基于先验知识的医学图像多器官分割[D].大连理工大学.2018
[10].于世瑾.植物器官CT影像体分割算法的研究与实现[D].西北农林科技大学.2018
论文知识图
