导读:本文包含了自动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:神经网络,卷积,图像,阈值,肿瘤,网络,心耳。
自动分割论文文献综述
李渊强,吴宇雳,杨孝平[1]（2019）在《基于级联式叁维卷积神经网络的肝肿瘤自动分割》一文中研究指出目的:根据肝肿瘤CT影像中的特异性、分割难点以及残差网络思想,提出一种基于级联式卷积神经网络的全自动CT图像肝脏肿瘤分割方法。方法:首先根据临床知识对CT数据进行预处理,减少干扰;然后基于一个肝脏粗分割网络对肝脏进行分割,并根据分割结果坐标选取肝脏作为感兴趣区域;最后在感兴趣区域内对肿瘤进行精准分割。结果:通过级联式网络分割可以有效减少计算时间以及避免其它组织的干扰,从而实现肝肿瘤的快速分割。本研究提出的方法在2017年MICCAI肝肿瘤分割公开比赛数据集LiTS中进行测试,平均Dice分数为0.663,证实了其对肝肿瘤分割的有效性。结论:基于级联式卷积神经网络的全自动CT图像肝脏肿瘤分割方法可以实现肿瘤的快速分割。后期研究将继续增加数据量,对肿瘤进行分类,从而进一步完善模型。(本文来源于《中国医学物理学杂志》期刊2019年11期）
帅爱华,陈烨[2]（2019）在《大规模网络自适应安全阈值数据自动分割算法》一文中研究指出为了提高大规模网络自适应安全阈值数据的检测能力,需要对数据进行优化分割,提出基于序贯模式检测和关联规则特征提取的大规模网络自适应安全阈值数据自动分割算法。构建大规模网络自适应安全阈值数据的统计序列模型,提取大规模网络自适应安全阈值数据相似度的描述性统计特征量,结合量化回归分析方法,对提取的大规模网络自适应安全阈值数据的关联特征集进行分类融合,实现大规模网络自适应安全阈值数据的自动分割与建模。仿真结果表明,采用该方法进行大规模网络自适应安全阈值数据自动分割的分类性较好,数据的误分率较低,提高了数据的安全检测和识别能力。(本文来源于《自动化与仪器仪表》期刊2019年11期）
王中宇,倪显扬,尚振东[3]（2019）在《利用卷积神经网络的自动驾驶场景语义分割》一文中研究指出图像语义分割是现代自动驾驶系统的一个必要部分,因为对汽车周围场景的准确理解是导航和动作规划的关键。为提高自动驾驶场景的图像语义分割准确率,且考虑到当下流行的基于卷积神经网络的语义分割模型(DeepLab v3+)无法有效地利用注意力信息,导致分割边界粗糙等问题,提出一种融合底层像素信息与通道、空间信息的语义分割神经网络。在卷积神经网络中插入注意力模块,提取出图像语义级别的信息,通过学习图像的位置信息和通道信息得到更加丰富的特征;从卷积神经网络输出的各类别得分值计算出单点势能,且从初步分割图和原图得到成对势能,以便全连接条件随机场对图像的全部像素进行建模,并且优化图像的局部细节;全连接条件随机场通过迭代得到语义分割的最终结果。在CityScapes数据集上进行了测试,与DeepLab v3+相比较,改进后的模型分别提高了均交并比和均像素精度等关键指标1.07%和3.34%。它能够更加精细地分割目标,较好地解决分割边界粗糙,有效地抑制边界区域分割的过度平滑和不合理孤岛等问题。(本文来源于《光学精密工程》期刊2019年11期）
包丞啸,姜威,王玉潇[4]（2019）在《基于大津法分割和局部最大梯度的自动聚焦算法》一文中研究指出针对传统的聚焦评价函数在应用时出现的一些诸如稳定性和精度不足、易受噪声干扰等问题,提出一种基于大津法分割和局部最大梯度的自动聚焦算法。算法对前背景分割后的图像进行局部梯度计算,并统计非零系数和计算局部方差,利用二者变化特性设计一个新的清晰度评价指标以实现数字图像的自动聚焦。实验结果表明,算法具有高灵敏度、较好的稳定性和较强的抗噪能力。(本文来源于《光学技术》期刊2019年06期）
高玮玮,左晶[5]（2019）在《基于阈值分割及模式分类器的硬性渗出自动检测方法对比研究》一文中研究指出为构建基于眼底图像的糖网自动筛查系统,对基于阈值分割及模式分类器的硬性渗出自动检测方法进行了对比研究。首先,利用基于最小类内离散度的改进Otsu分割算法对眼底图像G通道进行粗分割以实现硬性渗出病灶候选区域的获取;然后,提取并优化候选区域特征集;最后,利用优化后的特征集以及相应人工判定结果分别建立RBF神经网络分类器以及SVM分类器,从而实现对眼底图像中硬性渗出的自动识别。对本方法及其他多种硬性渗出自动检测方法进行对比分析。结果表明,对糖尿病视网膜病变自动筛查的临床应用而言,基于阈值分割及SVM分类器的硬性渗出自动检测方法性能更优。(本文来源于《中国医疗设备》期刊2019年11期）
冉昭,简俊明,王蒙蒙,赵星羽,高欣[6]（2019）在《基于全卷积神经网络的直肠癌肿瘤磁共振影像自动分割方法》一文中研究指出目的直肠肿瘤(rectum cancer,RC)的图像精确分割是直肠癌诊断和治疗的基础和关键。目前,直肠肿瘤的分割通常是由放射科医生逐切片进行,这种方式主观性强,工作量大。为此,本文提出了一种直肠肿瘤磁共振影像全自动分割网络,在有效减少放射科医生负担的同时提高了肿瘤分割结果的可重复性。方法首先采用一个预训练的Res Net50提取特征,并在网络隐藏层添加3个边输出模块,实现图像数据的多尺度特征提取,最后融合3个边输出模块获得最终的分割结果。将所提网络架构的分割结果与基于U-net网络架构的分割结果进行比较,并分析不同损失函数和感兴趣区域(region of interest,ROI)尺寸对所提网络分割性能的影响。结果本研究使用中山大学附属第六医院512例患者的影像数据对模型进行训练及测试,其中随机选取的461例患者的T2加权磁共振影像用于网络训练,剩下51例患者的T2加权磁共振影像用于网络测试。结果表明,所提网络分割结果的平均Dice相似性系数(Dice similarity coefficient,DSC)、平均敏感度(sensitivity)、平均特异度(specificity)及平均豪斯多夫距离(Hausdorff distance,HD)分别达到了83. 61%、89. 10%、96. 36%和8. 49,均优于基于U-net的分割方法。对于包含了肿瘤组织的ROI,尺寸越小,分割效果越好。对于给定尺寸的ROI,几种损失函数并无太大差异。结论该算法能够准确地勾画肿瘤边界,有助于提升医生工作效率。(本文来源于《北京生物医学工程》期刊2019年05期）
胡学刚,吴开元[7]（2019）在《基于SVM的显着性目标自动分割方法》一文中研究指出针对显着性检测算法显着图不均匀导致图像分割精度不高的问题,提出一种基于支持向量机(SVM)的显着性目标自动分割算法。通过显着性检测得到大致的显着区域和背景区域,将图像在HSV颜色空间量化,利用颜色直方图信息获取显着区域和背景区域的主色,以此自动选取正负训练样本,从训练样本中提取颜色等特征训练SVM,使用SVM对整幅图像精确分割出显着目标。理论分析和实验结果表明,所提算法具有更正错误检测信息的机制,有效解决了因显着图不均匀导致分割结果缺乏准确边界的问题,比现有同类算法能获得更准确的分割结果。(本文来源于《计算机工程与设计》期刊2019年09期）
吴杰,吴怀宇,陈洋[8]（2019）在《基于轮廓拟合与径向分割的指针式仪表自动读数方法》一文中研究指出针对指针式仪表人工读数劳动强度较大的问题,本文提出了一种基于轮廓拟合与径向分割的指针式仪表自动读数方法。该方法利用仪表的轮廓图像,结合常见的仪表盘刻度分布特性,提出轮廓分离法得到仪表盘刻度像素集,并采用最小二乘法拟合出表盘圆。在此基础上,通过分析指针的像素特性,提出径向指针分割算法,实现了仪表盘内指针区域的提取。根据指针偏转角度、零刻度和量程精度进行自动读数。为了验证算法的有效性,设计多组测试实验,结果表明本方法在读数误差允许范围内,能够克服宽窄指针、拍摄距离和表盘背景等因素的干扰,具有较强的自适应能力。(本文来源于《高技术通讯》期刊2019年09期）
徐洪丽,薛万国,陈永亮,冷建军,钟诚[9]（2019）在《基于稠密金字塔特征网络的肝CT图像自动分割方法探讨》一文中研究指出目的探讨稠密金字塔特征网络在多期腹部增强CT图像上对肝全自动分割的方法与性能。方法收集解放军总医院第一医学中心2015-2018年住院患者腹部增强CT的原始医学数字成像和通信(DICOM)图像20例,其中男性15例,女性5例,年龄均> 30岁。使用Python软件及TensorFlow开源平台进行资料分析,构建稠密金字塔特征网络进行肝自动分割,并与U型网络(U-Net)模型在性能上进行比较。结果本文提出的肝分割方法的DICE系数在动脉期、静脉期、延迟期分别为95.97%、96.22%、96.16%,高于U-Net网络的95.59%、95.85%、95.56%。结论稠密金字塔特征网络在不同期均明显优于U-Net分割网络。(本文来源于《解放军医学院学报》期刊2019年08期）
韩路易,黄韫栀,窦浩然,白文娟,刘奇[10]（2019）在《基于深度学习的超声图像左心耳自动分割方法》一文中研究指出从超声图像中分割出左心耳(LAA)是得出临床诊断指标的重要步骤,而准确自动分割的首要步骤和难点就是实现目标的自动定位。针对这一问题,提出了一种结合基于深度学习框架的自动定位和基于模型的分割算法的方法来实现超声图像中LAA的自动分割。首先,训练YOLO模型作为LAA自动定位的网络架构;其次,通过验证集确定最优的权重文件,并预测出LAA的最小包围盒;最后,在正确定位的基础上,将YOLO预测的最小包围盒放大1.5倍作为初始轮廓,利用C-V模型完成LAA的自动分割。分割结果用5项指标加以评价:正确性、敏感性、特异性、阴性、阳性。实验结果表明,所提方法能够实现不同分辨率条件和不同显示模式下LAA的自动定位,小样本数据在1 000次迭代时已经达到最优的定位效果,正确定位率达到72.25%,并且在正确定位的基础上,C-V模型的分割准确率能够达到98.09%。因此,深度学习技术在实现LAA超声图像的自动分割上具备较大的潜力,能够为基于轮廓的分割算法提供良好的初始轮廓。(本文来源于《计算机应用》期刊2019年11期）
自动分割论文开题报告
（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：
为了提高大规模网络自适应安全阈值数据的检测能力,需要对数据进行优化分割,提出基于序贯模式检测和关联规则特征提取的大规模网络自适应安全阈值数据自动分割算法。构建大规模网络自适应安全阈值数据的统计序列模型,提取大规模网络自适应安全阈值数据相似度的描述性统计特征量,结合量化回归分析方法,对提取的大规模网络自适应安全阈值数据的关联特征集进行分类融合,实现大规模网络自适应安全阈值数据的自动分割与建模。仿真结果表明,采用该方法进行大规模网络自适应安全阈值数据自动分割的分类性较好,数据的误分率较低,提高了数据的安全检测和识别能力。
（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。
自动分割论文参考文献
[1].李渊强,吴宇雳,杨孝平.基于级联式叁维卷积神经网络的肝肿瘤自动分割[J].中国医学物理学杂志.2019
[2].帅爱华,陈烨.大规模网络自适应安全阈值数据自动分割算法[J].自动化与仪器仪表.2019
[3].王中宇,倪显扬,尚振东.利用卷积神经网络的自动驾驶场景语义分割[J].光学精密工程.2019
[4].包丞啸,姜威,王玉潇.基于大津法分割和局部最大梯度的自动聚焦算法[J].光学技术.2019
[5].高玮玮,左晶.基于阈值分割及模式分类器的硬性渗出自动检测方法对比研究[J].中国医疗设备.2019
[6].冉昭,简俊明,王蒙蒙,赵星羽,高欣.基于全卷积神经网络的直肠癌肿瘤磁共振影像自动分割方法[J].北京生物医学工程.2019
[7].胡学刚,吴开元.基于SVM的显着性目标自动分割方法[J].计算机工程与设计.2019
[8].吴杰,吴怀宇,陈洋.基于轮廓拟合与径向分割的指针式仪表自动读数方法[J].高技术通讯.2019
[9].徐洪丽,薛万国,陈永亮,冷建军,钟诚.基于稠密金字塔特征网络的肝CT图像自动分割方法探讨[J].解放军医学院学报.2019
[10].韩路易,黄韫栀,窦浩然,白文娟,刘奇.基于深度学习的超声图像左心耳自动分割方法[J].计算机应用.2019
论文知识图
