一、挑战治疗“金标准”（论文文献综述）
马露凡,罗凤,严江鹏,徐哲,罗捷,李秀[1]（2021）在《深度医学图像配准研究进展:迈向无监督学习》文中研究说明在疾病诊断、手术引导及放射性治疗等图像辅助诊疗场景中,将不同时间、不同模态或不同设备的图像通过合理的空间变换进行配准是必要的处理流程之一。随着深度学习的快速发展,基于深度学习的医学图像配准研究以其耗时短、精度高的优势吸引了研究者的广泛关注。本文全面整理了2015—2019年深度医学图像配准方向的论文,系统地分析了深度医学图像配准领域的最新研究进展,展现了深度配准算法研究从迭代优化到一步预测、从有监督学习到无监督学习的总体发展趋势。具体来说,本文在界定深度医学图像配准问题和介绍配准研究分类方法的基础上,以相关算法的网络训练过程中所使用的监督信息多少作为分类标准,将深度医学图像配准划分为全监督、双监督与弱监督、无监督医学图像配准方法。全监督配准方法通过采用随机变换、传统算法和模型生成等方式获取近似的金标准作为监督信息;双监督、无监督配准方法通过引入图像相似度损失、标签相似度损失等其他监督信息以降低对金标准的依赖;无监督配准方法则完全消除对标注数据的需要,仅使用图像相似度损失和正则化损失监督网络训练。目前,无监督医学图像算法已经成为医学图像配准领域的研究重点,在无需获得代价高昂的标注信息下就能够取得与有监督和传统方法相当甚至更高的配准精度。在此基础上,本文进一步讨论了医学图像配准研究后续可能的4个未来挑战,希望能够为更高精度、更高效率的深度医学图像配准算法的研究提供方向,并推动深度医学图像配准技术在临床诊疗中落地应用。
肖小娇[2]（2021）在《基于无造影剂MRI图像的肝癌智能诊断方法研究》文中研究说明肝癌是全球最常见且死亡率高的癌症之一。肝癌的微小肿瘤很难被及时发现是造成死亡率高的最主要原因。目前,磁共振成像（Magnetic Resonance Imaging,MRI）是临床主要的肝癌诊断手段之一,它通过注射造影剂可以明显提高肿瘤诊断的敏感性和特异性。然而,注射造影剂不可避免地存在风险高、毒性大和副作用大等问题。近年来,无造影剂MRI以其扫描时间短、低风险、无有毒金属危害等优势,成为研究的新热点。但在研究中,采用无造影剂扫描会使MRI图像的对比度较低、肿瘤区域边缘模糊,为肝肿瘤的准确诊断过程增加了许多难点。针对这一瓶颈问题,拟通过计算机对无造影剂MRI图像进行肝癌智能诊断,不仅能成为临床医师的辅助工具,也是提高患者生存率以及治愈率的重要方法。本文对基于无造影剂MRI图像的肝癌智能诊断进行了一系列研究。通过对无造影剂MRI图像的分析,借助人工智能技术对肝肿瘤的2D分割方法进行研究;在充分研究多模态无造影剂MRI影像间的互补信息的基础上,探索构建肝肿瘤的3D分割和多指标量化的多任务相关网络;挖掘多模态无造影剂MRI图像间的依赖信息,同时构建小样本数据的增强体系,实现肝部无造影剂MRI图像中肿瘤的自动分类;进一步研究分割和检测任务间的关联关系,构建肝肿瘤分割和检测的联合对抗学习网络。主要研究贡献如下:（1）针对无造影剂MRI图像中肝肿瘤的边缘模糊、与周围正常组织的对比度低、差异性较大和复杂度较高等特点,本文提出一种放射组学特征指导的DUN-GAN（Radiomics-guided DUN-GAN）网络用于肝肿瘤区域的2D分割。本部分的研究内容包括3个方面:i)密度嵌套UNet的分割器提取到肝肿瘤的语义特征和全局指导特征,并利用特征相关性对特征进行合理且高效的融合。ii)鉴别器中引入三相造影剂增强MRI图像（动脉期,门静脉期和延迟期）结合的放射组学特征作为先验知识,以学习到分割器和鉴别器间的映射关系。iii)在放射组学特征对抗思想的指导下,网络获得了准确性较高的无造影剂MRI图像中肝肿瘤的2D分割。本文提出的放射组学指导的先验知识以及多策略融合方式可以提取到无造影剂图像中关键的隐含的造影剂放射组学特征,从而实现低对比度图像中较准确的肝肿瘤分割。（2）针对无造影剂MRI序列图像中肝肿瘤空间解剖结构复杂,多模态无造影剂图像（T1FS+T2FS）间肿瘤表征差异较大,以及同时完成多任务（分割+量化）的复杂性较高等问题,本文提出一种双流相关3D（Two-stream associated 3DNet,TsA-3DNet）异构学习网络,利用多模态的无造影剂MRI来同时进行肝肿瘤的3D分割和多指标量化。本文研究内容主要包括两个方面:i)该网络充分考虑多模态数据的关联性和差异性,提出的多视角融合机制（Multi-view fused,Mv F）利用比例门优化算法提取多模态的互补信息,以进一步融合多通道（T1FS+T2FS）和不同尺度的特征。ii)该网络充分结合多任务间的关联和约束,提出的双向指导机制（Bi-directional guided,Bd G）关联多任务间的互补信息,以进一步实现多任务（分割+量化）的同时优化。本文提出的异构学习网络能够建立多视角特征的融合和多任务双向指导机制,从而较准确地同时实现多模态图像中肝肿瘤的3D分割和全面的多指标量化。（3）针对无造影剂MRI图像样本较少、自动识别复杂性较高、肿瘤特异性较低的问题,本文提出了一种稳定的细节指导的生成对抗（Detail-guided Generative Adversarial Network,Dg-GAN）网络,通过增强数据来改善肝肿瘤分类性能。Dg-GAN中的多尺度感知生成器引入残差块感知上下文信息,加强细节特征提取以合成更加逼真的造影增强图像。本文在合成数据增强的数据集上进行卷积和全局平均池化,并设计细节指导的VGG模型以验证数据增强对肝癌分类性能的影响。生成器的细节特征图被作为指导知识引入分类器,以促进不同类型肝癌的特异性特征提取和改善肿瘤分类性能。本文提出的数据增强方式有效地克服了数据样本少的难题,展示了较好的自动分类性能。（4）针对多模态无造影剂MRI图像间特征差异较大、分割和检测任务间复杂性较高的问题,本文提出联合对抗学习（United adversarial learning framework,UAL）网络,整合多模态无造影剂MRI的互补信息,以联合约束的方式实现肝肿瘤的同时分割和检测。首先,编码器通过引入边缘差异特征图的先验知识,增强三个模态的关键特征提取,同时利用门机制实现特征融合和自适应选择。坐标共享机制使得分割和检测进行联合以实现统一学习,同时将多相放射组学特征与语义特征结合以实现分割和检测的同时对抗学习。本文提出的联合对抗学习网络较充分的提高肝肿瘤分割和检测的性能。综上所述,本文围绕无造影剂MRI图像的肝癌智能诊断的四个问题,从不同的目的进行了相关任务的研究和网络的构建,这项工作具有一定的计算机理论意义和辅助诊断的价值。
魏建华[3]（2021）在《基于深度学习的儿童气道异物堵塞CT影像分析》文中认为气道异物是儿童最常见的急症之一,也是儿童意外死亡的主要原因之一。在大多数情况下,呼吸道异物吸入的症状是非特异性的,这使早期诊断变得困难和关键。多层螺旋CT检查对呼吸道异物的初步诊断和随访评价具有重要意义,可以通过观察肺部的气道来判别异物堵塞的位置与严重程度。但是在另一方面由于CT扫描出来的数据信息量大且复杂,对于放射科医生来说大部分的数据信息都是无用的,尤其是气道异物体积小、形状多变并只在少许的几张CT切片上显现,这些对医生的诊断带来一些麻烦,尤其在夜间医生工作压力大,极易漏诊和误诊影响及时治疗危及儿童的生命。这个问题的一种解决方案就是通过肺部气道的一些特征把胸部CT图像中医生需要的部分分割出来并进行三维显示,把分割好的结果反馈给医生。此外,也需要通过目标检测算法在胸部CT图像中去找到异物的位置,并将其找到的位置、异物的形状大小及其类别等性质反馈给医生。医生根据这些反馈的信息做出合理的诊断与治疗方案。CT图像中气道异物的检测是一个挑战性问题。首先,气道异物性质多样且尺寸、位置差异性大,对于小尺寸的气道异物,即便对于经验丰富的医生,也可能会遗漏而导致漏诊。这些都给算法的设计带来了难度,其设计的算法需要实现对于不同尺寸目标的精确检测,尤其是对小尺寸目标进行精确检测。对于人体气道树的分割,传统方法通过提取气道区域与其他区域间具有可判别性的特征实现对气道树的分割。然而这些算法计算复杂度较高且非常的耗时,深度学习通过强大的表征能力可以解决该问题。然而基于全监督学习的人体气道树分割仍然面临着一定问题,监督学习方式需要大量的专家标注和诊断数据训练模型,但是获取这些金标准数据的成本非常高;当标注数据有限的情况下,深度学习模型容易造成过拟合,降低模型的泛化能力,不能有效的预测未知数据。针对以上深度学习在儿童气道异物分析上存在的问题,本文提出以下方法来应对这些挑战:在Faster R-CNN的基础上进行了符合儿童气道异物检测需要的相应改进。首先把特征提取网络设置为残差网络,在VGG特征提取网络的一些层之间设置了快捷链路用于解决卷积特征图包含的图像信息减少的问题;其次,引入注意力机制给予ROI特征更多的关注度并添加反卷积层去防止小尺度目标在RPN中滑动窗口的丢失;最后更改损失函数,使用Focal损失去代替交叉熵损失函数,以消除类别不平衡问题。充分的实验表明,本文提出的改进可以有效的提高气道异物检测的可靠性。在经典分割网络U-Net上进行相应改进,引入空洞空间卷积池化金字塔,来捕获多尺度特征信息和接收字段;并设计了全局信息上采样模块,实现了多维度、多模式加权。此外为了弥补U-Net下采样导致的空间信息丢失,设计了一个新颖的强制特征召回网络。其拥有一个ROI特征召回器用于迫使编码器减少遗漏目标特征,并在编码阶段通过特征叠加恢复了丢失的上下文信息;最后使用特征召回损失与基于分类项与区域项组成的分割损失共同优化模型并合理调节精确度和召回率的平衡。通过充分的实验证明,相较于原始U-Net模型,改进后的网络在儿童胸部CT测试集上的分割性能有了显着的提升。基于生成对抗网络提出了半监督/无监督模式下的气道分割算法,模型的生成器与本文提出的强制特征召回网络类似,判别器是基于全卷积的,并采用了渐进置信度策略,让下采样模块的最后一层特征图保持更可靠的气道特征,从而实现更准确的判别。在无监督策略下,通过对判别器输出的置信图进行处理得到伪标签来约束分割网络中的未标记数据。通过充分的实验证明,该方法有效地利用无标注的CT图像来提升儿童气道树的分割的性能。
安林[4]（2021）在《二氧化硫纳米药物增强多柔比星及PD-L1单抗在黑素瘤中的治疗作用及机制研究》文中提出研究背景黑素瘤是一种起源于黑素细胞的高度恶性肿瘤。化疗和免疫治疗是黑素瘤的重要治疗方案,但是黑素瘤对化疗药物敏感性差,响应率低。虽然免疫治疗在黑素瘤的治疗中取得空前的进步,但遗憾的是,接近一半的患者对于免疫治疗没有应答或短暂应答。因此,寻找有效的突破点增强黑素瘤化疗及免疫治疗效果迫在眉睫。近年来,研究发现肿瘤细胞内环境的改变,例如细胞内氧化还原平衡状态和肿瘤化疗及免疫治疗疗效息息相关。活性氧（reactive oxygen species,ROS）是细胞内一种具有较高活性的氧化物质,参与调节细胞内氧化还原平衡。研究表明提高肿瘤细胞内ROS水平可下调细胞膜表面具有促药物外功能的蛋白—P-糖蛋白（P-glycoprotein,P-gp）的表达,减少化疗药物外排,进而增加化疗药物蓄积,敏化肿瘤细胞;此外,有研究证实过量ROS可以引起肿瘤细胞发生强烈氧化应激,诱导肿瘤细胞发生免疫原性死亡（immungentic cell death,ICD）,增强肿瘤细胞的免疫原性,促进免疫细胞对肿瘤细胞的识别。因此,增加肿瘤细胞内ROS含量,改变肿瘤细胞内的氧化还原平衡,有望增强黑素瘤的化疗及免疫治疗效果。提高肿瘤细胞内ROS含量的方法很多,其中包括应用二氧化硫（sulfur dioxide,SO2）这种氧化型气体分子来诱导肿瘤细胞发生氧化应激。研究表明,SO2和机体的病理生理活动密切相关,人体内含硫氨基酸在代谢过程中会产生内源性SO2,SO2在心血管系统的调节中起到重要作用,被看作是内源性气体递质的新成员,但过量的SO2会消耗细胞内谷胱甘肽,增加细胞内ROS水平,诱导肿瘤细胞发生氧化应激。因此,增加肿瘤部位SO2含量有望提高ROS水平进而增强黑素瘤的化疗及免疫治疗效果。有鉴于此,本论文设计肿瘤微环境响应性释放SO2的纳米药物,并进一步将SO2气体治疗与黑素瘤化疗药物多柔比星（doxorubicin,DOX）及免疫治疗药物PD-L1单抗相结合,预期SO2可以用于打破肿瘤细胞内氧化还原平衡,提高细胞内ROS水平,增强DOX及PD-L1单抗的疗效,旨为提高黑素瘤治疗效果提供新思路,为基础研究向临床转化提供理论依据。具体研究内容如下。第一部分还原响应性SO2纳米药物增强多柔比星在黑素瘤中的治疗作用及机制研究目的:通过构建还原响应性释放SO2的纳米粒子（PDDN）,从体内外水平探究SO2抗黑素瘤作用及相关机制;并进一步将PDDN负载多柔比星（DOX）形成载药纳米粒子,将气体治疗与化疗相结合,旨为提高黑素瘤的化疗效果提供新思路。方法:1.通过化学键合的方法制备SO2聚合物前药,所合成的聚合物前药可在水介质中自组装形成纳米粒子PDDN。进一步用PDDN负载DOX形成载药纳米粒子（PDDN-DOX）,并对所制备的纳米粒子进行系统表征。2.体外实验:通过流式细胞仪和激光共聚焦显微镜检测纳米药物被黑素瘤细胞摄取情况。应用DEACA探针和DCFH-DA探针分别检测纳米药物作用后细胞内SO2及ROS含量。通过MTT法检测纳米药物的细胞毒性,通过Western blot检测PDDN是否可以下调促药物外排蛋白P-gp的表达。3.体内实验:通过构建鼠黑素瘤原位及肺转移模型,系统评估PDDN-DOX的体内分布,体内抑瘤效果及安全性。应用荧光探针检测纳米药物作用后肿瘤组织内SO2及ROS的表达情况,通过免疫荧光及免疫组化的方法分别检测肿瘤组织凋亡情况及P-gp蛋白的表达情况。结果:1.成功合成PDDN及PDDN-DOX,透射电镜结果提示上述纳米粒子均为球形结构,通过粒度分析仪测得其半径为分别为44.4±3.2 nm和51.2±6.1 nm。此外,紫外吸收光谱提示PDDN成功负载DOX。2.体外实验表明:PDDN可被黑素瘤细胞内吞并释放SO2,消耗细胞内GSH,提高细胞内ROS水平,降低促药物外排蛋白P-gp的表达。此外,PDDN-DOX可以被细胞内吞并同时释放SO2及DOX。MTT结果提示SO2与DOX协同指数小于1,表明两者具备协同抗肿瘤作用。3.体内实验表明:从PDDN-DOX释放的SO2及DOX在体内发挥协同抗肿瘤作用,有效治疗鼠原位及转移性黑素瘤。肿瘤组织免疫荧光及免疫化学染色结果提示,SO2的响应性释放可提高肿瘤组织内ROS水平并降低促药物外排蛋白P-gp表达,有助于减少化疗药物的外排,增加药物蓄积,敏化肿瘤细胞。结论:成功构建还原响应性SO2纳米粒子（PDDN）,体内外实验证实PDDN能够在黑素瘤细胞内高浓度GSH条件下释放SO2,消耗GSH,提高ROS水平,降低P-糖蛋白的表达,有助于减少化疗药物的外排,增加药物蓄积,敏化肿瘤细胞。此外,PDDN可负载化疗药物DOX形成载药纳米粒子PDDN-DOX;体内外实验证实从PDDN-DOX释放的SO2和DOX在黑素瘤细胞中,原位及转移性黑素瘤模型中均表现出显着地协同抑瘤效果,为提高黑素瘤的化疗效果提供新思路。第二部分线粒体靶向SO2纳米药物增强PD-L1单抗在黑素瘤中的治疗作用及机制研究目的:在第一部分研究基础上,为了提高SO2的利用效率并优化作用位点,我们设计了线粒体靶向SO2纳米药物（RhoB-DNs）,拟诱导肿瘤细胞发生更强烈的氧化应激并产生免疫原性死亡信号,促进免疫细胞的识别,激活抗肿瘤免疫;此外,本研究进一步将RhoB-DNs与免疫检查点抑制剂PD-L1单抗联用,将气体治疗与免疫治疗相结合,旨为提高黑素瘤的免疫治疗效果提供新思路。方法:1.纳米药物的制备:应用化学键合诱导自组装的方法制备RhoB-DNs。体外实验通过激光共聚焦显微镜检测RhoB-DNs与线粒体共定位情况,应用荧光探针检测细胞内SO2及ROS水平,通过MTT法进行细胞毒性检测,通过Annexin V-FITC/PI双染法分析细胞凋亡水平。2.通过检测RhoB-DNs作用后肿瘤细胞表面钙网蛋白（CRT）表达情况,上清液中高迁移率蛋白（HMGB1）和三磷酸腺苷（ATP）的释放情况验证RhoB-DNs是否可以诱发黑素瘤细胞发生免疫原性死亡（ICD）。进行疫苗接种与再挑战实验是评估RhoB-DNs体内诱导ICD的能力。3.构建鼠皮肤黑素瘤模型,给予RhoB-DNs进行治疗并进一步提取小鼠肿瘤组织及脾脏免疫细胞进行检测。此外,本研究通过构建黑素瘤原位及转移模型,进一步将RhoB-DNs与PD-L1单抗联合应用,拟检测这种联合治疗方案对黑素瘤的抑制效果。结果:1.成功合成RhoB-DNs,透射电镜结果提示其为球形结构,动态光散射法测得其直径为111.9±2.27nm。激光共聚焦显微镜结果显示RhoB-DNs可与线粒体靶向结合并释放SO2,提高细胞内ROS水平。2.体外实验证实RhoB-DNs可诱导黑素瘤细胞发生死亡,同时引起细胞表面CRT表达水平增加,HMGB1和ATP释放增多,证实RhoB-DNs可以诱导黑素瘤细胞发生免疫原性死亡（ICD）。3.疫苗接种和再挑战实验（ICD的金标准）结果显示:再挑战第20天时,PBS组所有小鼠都长出了肿瘤（10/10）,而RhoB-DNs组5/10小鼠未长出肿瘤;而且RhoB-DNs组已长出的肿瘤体积显着低于PBS组,表明RhoB-DNs可以在体内诱导ICD,激活抗肿瘤免疫。4.体内实验证实RhoB-DNs可增加肿瘤组织内活化树突细胞及CD8+T细胞浸润,激活抗肿瘤免疫。此外,RhoB-DNs联合PD-L1单抗可显着抑制原位及转移性黑素瘤的生长,发挥协同抗肿瘤作用。结论:成功构建线粒体靶向SO2纳米药物RhoB-DNs,并通过体内外实验证实RhoB-DNs可以显着提高细胞内ROS水平,诱导肿瘤细胞发生免疫原性死亡,激活抗肿瘤免疫;此外,RhoB-DNs联合免疫检查点抑制剂PD-L1单抗可显着抑制原位及转移瘤生长,发挥协同抗肿瘤作用,为提高黑素瘤免疫治疗效果提供新思路。综合上述两部分内容,我们证实SO2可打破肿瘤细胞内氧化还原平衡,提高细胞内ROS水平,诱导肿瘤细胞发生氧化应激,一方面可以降低促药物外排蛋白P-gp的表达,减少DOX的外排,增加DOX蓄积,增强黑素瘤的化疗效果;另一方面通过诱导肿瘤细胞发生免疫原性死亡,增加肿瘤细胞的免疫原性,促进免疫细胞识别,激活抗肿瘤免疫,与PD-L1单抗联合治疗,提高PD-L1单抗的疗效。综上所述,本研究将SO2气体治疗与黑素瘤的化疗及免疫治疗相结合,为提高黑素瘤治疗效果提供新思路,为基础研究向临床转化提供理论依据。
王子樵[5]（2021）在《基于深度学习的医学图像深度参数测量与病情预测》文中提出近年来,深度学习与医学影像结合紧密的程度逐年提高,运用计算机进行临床医学图像的深度参数提取与辅助疾病预测已经成为大势所趋。基于计算机辅助的疾病治疗诊断可以为医生提供更多的病患病情细节,甚至可以一定程度上避免医生由于误诊断引发的病人病情恶化。本文主要涉及血管内超声（Intravenous Ultrasound,IVUS）的深度参数提取领域与基于非灌注CT的出血性转化预测。在深度参数提取方面,IVUS可以提供高清晰度的冠状动脉横截面图像,同时显示血管内外膜偏移情况以及多类别病变斑块。通过IVUS的观测,早期冠状动脉粥样硬化斑块可以被及时发现并予以治疗。而IVUS的多参数同步测量可以更好辅助心血管学家对血管内病变进行分析、诊断、术后治疗甚至是疾病预防。在疾病预测方面,出血性转化（Hemorrhagic Transformation,HT）近年来被视为一种动脉缺血性中风治疗与二次预防实验的病患安全检验点。而精准的HT预测可以显着地减少医生误诊致死的患者数量。近年来,所有HT的预测皆依赖于使用造影剂的对比灌注图像,而使用造影剂会极大增加医生的工作量,同时也会产生高额的医疗费用甚至引起患者的二次脑损伤。由于非灌注图像研究的巨大挑战性,几乎所有的机器学习算法都未曾使用过非灌注CT用于HT预测。针对IVUS多参数提取任务,本文提出了一种基于IVUS的深度多参数提取算法框架。全框架基于DeepLab V3+的内外膜分割结果,并提出了一种IVUS自适应的目标降噪后处理手段。通过提出两种新颖的图形分析算法,多参数自动同步测量框架实现了 IVUS基本参数提取。本框架以标准医学参数公式对基本参数进行后加工,实现了高达10种IVUS医学常用指标的提取。本文提出的算法实现IVUS临床医学参数的自动获取,具有数量多、速度快、准度高三项优点,大大降低了医生人工标注的工作量,为临床诊断提供极为重要的病情指标参数,从而能让医生更加精确地分析病人病情。针对基于非灌注CT的出血性转化疾病高难度预测任务,本文提出一种双支路分离与增强网络（Dual-branch Separation and Enhancement Network,DBSE-Net）用于弱特征提取与无造影剂的高安全出血性转化预测。DBSE-Net创新性地使用了一种双支路分离与融合机制实现了弱特征自适应提取。在DBSE-Net的自编码子模块中,颅内挤压评估支路（Brain Compression Assessment Branch,BCAB）与梗死区域评估支路（Infarct Assessment Branch,IAB）被提出用于实现自适应接收域的轻量级编码结构。在特征选取阶段,基于DBSE-Net的关键帧选取算法与区域引导知识,DBSE-Net去除了冗余信息并清晰地表明病变区域的严重程度。总的来说,DBSE-Net通过整合全局特征与局部特征以获取多尺度、多类别脑部状态信息,从而增强了非灌注CT图像中的弱特征并最终实现了精准的HT预测。同时本文经过多项横向对比实验与消融实验,充分检验了每一项网络层结构的有效性。实验结果充分表明了 DBSE-Net可以帮助医生对颅内中风患者进行HT风险辅助评估并在未来有望成为一种防止医生误诊高风险HT患者的有效工具。
郭晓宇[6]（2021）在《医学图像中的血管分割算法研究》文中研究指明血管作为血液的运输通道遍布全身,对维持人体正常的生理机能有着非常重要的作用。随着医学影像技术的不断发展,各种针对血管的医学成像方式相继被提出,这让医生能够通过非介入的方式提前了解病人病灶区域的血管信息,对临床诊断、手术规划和手术仿真等有着重要的辅助意义。目前,血管影像需要医生逐切片手工勾勒才能实现血管分割,这是大量重复而且繁琐的工作。对于这一问题,运用计算机图像处理算法实现血管自动分割是一个很好的解决方式。实现血管自动分割不仅能够减轻医生的工作量,而且分割结果更加客观,甚至能够达到或超越手工分割血管的精度,有助于实现计算机辅助医疗。本文研究了视网膜血管、脑血管和肝脏血管的成像特点,分别提出了三种血管分割算法。具体内容和创新点总结如下:1、针对二维视网膜血管图像,提出了一种基于Dense-U-net和Inception模块（DI-U-net）使用生成对抗网络的策略进行训练的视网膜血管分割算法。在网络模型中,对基础的U-net模型进行了两方面的改进:（1）用Dense Block代替跳跃连接,实现浅层特征图和深层特征图的充分融合;（2）用Inception模块代替传统的卷积运算,从而能够提取不同尺寸的卷积核所对应的血管特征。在训练过程中,把DI-U-net作为GAN的生成器,然后再构建一个多层神经网络作为判别器,进行交替训练。整个算法在公开的视网膜血管数据集（Digital Retinal Images for Vessel Extraction,DRIVE）上进行了验证,其中DSC 达到 82.15%,AU-ROC 和 AU-PR 分别达到 0.9772 和 0.9058。实验表明,该算法能够实现视网膜血管的自动分割。2、针对时间飞跃法磁共振脑血管造影图像,提出了一种基于Multiple-U-net（M-U-net）脑血管分割算法。首先,对原始的TOF-MRA图像以体数据为单位进行归一化预处理,然后,按照横截面、矢状面和冠状面分别把三维TOF-MRA数据分为3组二维切片数据集,并分别训练3个Single-U-net模型。最后,对3个不同方向的U-net的预测结果进行投票特征融合和基于连通域分析的后处理。从公开的MIDAS数据集中选取了 95组脑血管MRA数据,其中20组作为训练集,5组作为验证集,剩下的70组平均分为10个测试集。通过分析模型在验证集上的表现,确定最优的Epoch和其他超参数。实验表明,我们提出的M-U-net算法在验证集和测试集上的DSC分别达到了 88.60%和87.93%,其性能优于任何的Single-U-net。与己有的其他算法相比也达到了先进水平。3、针对计算机断层扫描肝脏血管造影图像,提出了一种基于三维图割、中心线提取和断支重连的肝脏血管分割算法。首先,对腹部CT图像进行了血管增强滤波和降噪处理,用于增强肝脏内血管区域和非血管部分的灰度对比度。然后,使用三维图割算法对肝血管进行初始分割,并用细化算法提取出初始分割结果的血管中心线。再进一步,对血管中心线端点进行拟合方向和连接配对,获取完整的血管中心线树。最后,基于血管半径和血管中心线树对初步分割结果中断裂的部分进行补全,获取血管分割的最终结果。我们在公开的肝脏影像数据集（3D Image Reconstruction for Comparison of Algorithm Database,3DIRCADB）上验证了算法的有效性,其中准确性达到了 97.8%、敏感性达到了 66.2%、特异性达到了 98.7%。从二维图像到三维图像,从低噪声干扰到高噪声干扰,本文递进式地提出了不同的分割算法以适应不同的血管影像数据。所提出的三种血管分割算法分别在不同的公开数据集上进行了测试,也分别与已有的算法进行了横向对比,验证了算法的有效性。同时,我们所提出的三种算法也进行了递进式的纵向对比,说明了三种算法对于不同特点的血管影像具有针对性的良好表现。
王少成[7]（2021）在《光学相干断层扫描图像中视网膜液体分割的技术研究》文中研究说明随着经济的快速发展,人们对健康的要求越来越高。眼科疾病往往危害到人们的视力,因此受到了广泛关注。光学相干断层扫描（Optical Coherence Tomography OCT）成像技术可以呈现高分辨率的视网膜图像,疾病引起的视网膜组织环境变化可以被观察到。一种常见的症状是黄斑水肿,这是视网膜毛细血管渗漏形成的肿胀。自动的计算机辅助算法可以帮助医生快速识别OCT扫描切片中的病灶。已经有一些深度学习方法提出来用于视网膜液体的分割,然而很多方法不能很好的处理液体边缘的像素点,同时存在分割过程中邻近的液体被合并的问题。本文提出的两个方法可以缓解这两个问题。常见的视网膜液体分割问题大致可分为两类:单类和多类视网膜液体分割。针对这两个问题本文分别提出了对应的解决方案进行研究。针对单类液体分割问题提出了一种多任务的分割模型,同时预测距离图和概率图。距离图可以帮助模型将邻近的液体分隔开。基于边界的注意力机制和通道注意力机制可以对低级和高级特征进行处理,基于边界的注意力机制可以增强模型前期的卷积层对液体细节信息的提取。解码器中多尺度的特征图中的特征并不都是对液体的分割有积极贡献的。因此通道注意力机制对多尺度的特征图按通道进行选择,提高模型的高级特征的提取。在公开的数据集上对提出的方法进行了验证。对于多类视网膜液体分割问题,数据的标注需要有经验的专家进行。同时这些病灶和正常组织的区别往往不是很明显。因此这些图像的标注,尤其是像素级标注成本昂贵。对此提出了不确定性引导的半监督框架用于OCT图像中多类视网膜液体的分割。这种框架可以利用大量的无标注数据提高分割模型的性能。这个框架包含了两个共享结构的教师和学生模型。同样使用了距离图。相较于单类液体,多类液体的边界部分更难界定,因此引入了轮廓图作为距离图预测的每一个液体区域的边界。引入的选择性核模块（Selective Kernel Module SKM）可以根据液体的大小自适应调整网络的感受野,使模型找到一个适中的感受野以适应不同尺度的液体区域。在一个公开的数据集上进行了实验,结果表明这个方法是有效的。
高军[8]（2021）在《基于深度卷积神经网络和水平集的胰腺与脑肿瘤的自动分割》文中指出在人体中,胰腺是重要的腹部器官,胰腺疾病尤其是胰腺癌的发生率很高。脑肿瘤患者的总生存时间大致在一年到一年半。临床医学专家通常会在CT图像切片上手动描绘胰腺边界,在MRI图像切片上绘制脑肿瘤不同区域,并根据所描绘的边界制定和评估患者的治疗方案。但影像专家手工分割耗时、繁琐,且分割结果易受专家专业技能和医学经验等因素的影响,因此,如何高效、自动地精确分割胰腺和脑肿瘤等医学图像是近年来专家学者的重要研究课题。近年来深度学习发展尤为迅速,深度卷积神经网络可以用来高效分割胰腺等医学图像,但是难以将解剖学的先验知识添加到分割模型中。为了解决上述问题,本文将深度卷积神经网络和传统分割方法的优点结合起来,形成混合模型,将深度学习得到的图像信息整合到水平集模型中,实现胰腺的高精度分割。在脑肿瘤分割任务中,U-Net缺乏合适的策略来提取全局场景特征,而通过金字塔池化模型利用不同的层次实现不同大小的特征图可以解决这个问题。这些不同级别的特征有助于提高分割精度。本文提出了一种三维神经网络模型在多模态MRI中自动分割脑肿瘤的不同子区域。该模型由具有残差模块的编码和解码结构的U-Net和基于扩张卷积的特征金字塔模块（Dilated Feature Pyramid,DFP）组成,即DFP-Res UNet。本文所做的工作有:（1）针对胰腺分割任务,本文选取2018年ISICDM胰腺分割挑战赛的数据集作为实验数据,其所有图像的存储格式为“dicom”。使用MATLAB软件对数据集进行预处理,预处理包括灰度归一化、中心裁剪,最后得到尺寸为256*256大小、只含有胰腺感兴趣区域并且灰度偏差减小的2D图片。将预处理后的胰腺数据进行中心、水平和垂直方向上的旋转等数据增强方法获得更多的训练和验证数据,输入到对目标边界敏感的HED网络、保留池化索引信息的Segnet网络和加入残差模块的Res U-Net三种神经网络模型中进行训练和测试,使用Tensor Flow和Tensor Layer框架实现每个神经网络,使用逐像素加权的损失函数训练神经网络,分别得到每个网络模型较为粗糙的分割结果。该算法可以快速地分割出胰腺的初始定位,作为下一个算法的准备;（2）对水平集算法的原理进行了论述,利用水平集算法优化处理神经网络模型的粗分割结果。该算法将三个神经网络模型的结果进行取交集处理作为算法的初始化,经过水平集算法的优化输出最终的Pancreas分割结果。选取医学图像分割任务中常用的三个评价指标DSC（Dice Similarity Coefficient）、PPV（Positive Predictive Value）和TPR（True Positive Rate）来评估分割结果。通过比较优化后的分割结果与专家分割结果得到评价指标DSC、PPV和TPR的均值为0.854、0.876和0.901。通过与其他流行的胰腺分割算法进行比较,证明本文算法在提高CT图像中胰腺分割精度方面是非常有效的,可以辅助医生进行胰腺疾病的诊断和治疗;（3）针对脑肿瘤分割任务,本文提出了一种三维神经网络模型在多模态MRI中自动分割脑肿瘤的不同子区域,该模型由具有残差模块的编码和解码结构的U-Net和基于扩张卷积的特征金字塔模块组成。选取2018年多模态脑肿瘤分割挑战赛的数据作为实验数据集进行了相关实验,该数据集训练集包含285例病例,测试集包含66例病例,每个病例含有四个模态的三维数据。在2018年多模态脑肿瘤分割挑战赛数据的验证集上使用所提出的方法,不同子区域的平均Dice得分分别为ET（Enhance Tumor）0.8431、WT（Whole Tumor）0.897和TC（Tumor Core）0.9068。此外,本文获得了高灵敏度和特异性以及低Hausdorff距离。通过与其他脑肿瘤分割算法的比较也说明了本文算法的优越性。
孟繁杨[9]（2021）在《人工智能在早期肺腺癌及新型冠状病毒肺炎CT诊断的研究》文中研究表明第一部分 基于CT的影像组学鉴别早期磨玻璃样肺腺癌浸润性的研究研究背景:随着人们对体检重要性认识的提高,应用计算机断层扫描（computedtomography,CT）筛查的普及增加了磨玻璃结节（ground-glass nodules,GGNs）的检出率。GGNs的病理可以是良性的,浸润前病变或浸润性肺腺癌。2011年,国际肺癌研究协会/美国胸科学会/欧洲呼吸学会提出了一种新的肺腺癌分类系统,包括非典型腺瘤样增生（atypical adenomatous hyperplasia,AAH）、原位腺癌（adenocarcinoma in situ,AIS）、微浸润腺癌（minimally invasive adenocarcinoma,MIA）和浸润性腺癌（invasive adenocarcinoma,IAC）[1],其中AAH和AIS为浸润前病变。浸润前病变和微浸润腺癌生长缓慢,甚至长期不变,5年无复发生存率接近100%[2],被定义为惰性腺癌,推荐进行胸部薄层CT随访、限制性肺段/肺叶切除,而浸润性腺癌临床标准治疗方式为解剖性肺叶切除术+淋巴结采样/清扫[3]。因此,术前准确区分早期磨玻璃样肺腺癌浸润性对指导临床治疗决策至关重要。研究目的:本研究拟建立基于CT的影像组学标签,并融合临床特征、CT形态学特征构建诺谟图,术前无创地评估早期磨玻璃样肺腺癌的浸润性。研究方法:回顾性收集吉林大学第一医院2016年1月至2018年10月509例手术病理证实为早期肺腺癌患者的临床信息及CT影像特征。CT表现为单发直径≤3cm的GGNs。由2名分别具有12年及7年工作经验的放射科医生分别独立评估GGNs的CT形态学特征,利用飞利浦星云探索人工智能科研平台半自动分割靶病灶并提取影像组学特征,进行观察者间一致性分析。70%的患者被纳入训练组,30%的患者被纳入验证组。联合应用最小冗余最大相关性（Max-Relevance and Min-Redundancy,mRMR）和最小绝对收缩选择算子（least absolute shrinkage and selection operator,LASSO）提取影像组学特征,计算影像组学评分,构建影像组学标签。采用单因素和多因素逻辑回归分析筛选与GGNs浸润性相关的临床特征和CT形态学特征。将保留的临床特征、CT形态学特征与影像组学评分相结合构建诺谟图。用接受者操作特征曲线、校正曲线、决策分析曲线分别评价影像组学标签及诺谟图的预测效能、校正效果及其临床效用。研究结果:（1）年龄、吸烟史、结节长径和平均CT值是早期肺腺癌浸润性的独立预测因子。（2）浸润性腺癌的平均影像组学评分高于惰性腺癌（训练组1.53 vs-0.97,P<0.001;验证组1.36 vs-1.03,P<0.001）,具有统计学差异。影像组学标签具有良好的预测效能,训练组 AUC 为 0.892（95%CI,0.860-0.926）,验证组 AUC 为 0.892（95%CI,0.838-0.947）。（3）结合年龄、吸烟史、结节长径、平均CT值及影像组学评分构建的诺谟图具有良好的预测效能,训练组AUC为0.940（95%CI,0.916-0.964）,验证组AUC为0.946（95%CI,0.907-0.986）,优于单一应用影像组学标签的预测效能（Delong’ test,P<0.001）。研究结论:联合临床特征、CT形态学特征及影像组学评分构建的诺谟图可以在术前精准预测早期磨玻璃样肺腺癌的浸润性,为临床医生制定个体化的治疗策略提供无创的预测工具。创新点:（1）利用影像组学的先进技术和数据处理方法,探索CT上人眼不可识别的高维影像组学特征预测早期磨玻璃样肺腺癌的浸润性。（2）利用多维度数据,包括临床特征,CT形态学及影像组学特征构建诺谟图,直观、精准评估早期磨玻璃样肺腺癌的浸润性,为临床医生制定个体化的治疗策略提供无创的预测工具。第二部分 基于CT的深度学习鉴别新型冠状病毒肺炎与社区获得性肺炎的研究研究背景:由严重急性呼吸综合征冠状病毒2型引起的2019年新型冠状病毒肺炎（Corona Virus Disease 2019,COVID-19）是一种持续的大流行。2020年1月30日世界卫生组织（World Health Organization,WHO）宣布COVID-19为国际关注的突发公共卫生事件[4],2020年3月11日,WHO正式宣布COVID-19是一种流行病[5],其已成为全球公共卫生危机,引起了国际社会对公共卫生的极大关注。目前公认的COVID-19诊断金标准为逆转录聚合酶链反应试验（reverse transcription-polymerase chain reaction,RT-PCR）[6],但有研究显示该试验的敏感性低于胸部CT[7,8],限制了对感染患者的及时诊断。胸部CT作为一种常见的简单、快速的诊断工具,是RT-PCR的重要补充。然而,由于影像特征重叠性,胸部CT易将COVID-19与常见的社区获得性肺炎（community-acquired pneumonia,CAP）混淆,延误诊断,错过了早期隔离治疗的机会。因此及时、准确地诊断COVID-19仍然是疫情防控的关键挑战。研究目的:本研究拟开发和测试一种深度学习算法,鉴别新型冠状病毒肺炎和社区获得性肺炎,并与临床医生的诊断效能比较,探索人工智能的辅助诊断作用。研究方法:回顾性收集2019年1月至2020年4月共493例胸部平扫CT,包括248例来自武汉市第一医院的COVID-19及245例来自吉林大学第一医院的CAP。将80%划分为训练/验证组,20%划分为测试组,每组中COVID-19与CAP的比例为1:1。采用5倍交叉验证法在394例CT上训练并验证深度学习模型,在99例CT上进行独立测试。此外,八名临床医生,在不知道RT-PCR检测结果和深度学习模型诊断结果的情况下,独立评估测试集的数据。用准确性、敏感性、特异性和曲线下面积评估深度学习模型及临床医生的诊断效能。研究结果:（1）在训练/验证组,深度学习模型的平均诊断效能为准确性94.7%、敏感性95.9%、特异性 93.1%和 AUC 0.95。（2）在独立测试组,深度学习模型的诊断效能为准确性93.9%、敏感性96.0%、特异性 91.8%和 AUC 0.94。（3）在独立测试组,8名临床医生的平均诊断效能为准确性64.3%、敏感性47.3%、特异性81.6%和AUC 0.64,深度学习模型的诊断性能优于8名临床医生（P<0.05）。研究结论:深度学习模型比八名临床医生更能准确区分COVID-19和CAP。因此,深度学习模型可能辅助临床医生更快、更准地对COVID-19做出诊断,从而及时隔离受感染者,减缓疾病的传播。创新点:（1）利用深度学习的先进技术和数据处理方法,提取数据的高级复杂的抽象特征,建立模型自动鉴别COVID-19与CAP。（2）比较深度学习算法与临床医生的诊断效能,探索深度学习算法对临床医生辅助诊断的作用。
白佳宾[10]（2021）在《基于CT影像的肝脏及其肿瘤分割方法研究》文中提出肝脏疾病对于人类的健康是巨大的威胁,临床上对于这类疾病的诊断和治疗是十分依赖计算机辅助技术的。因此如何从CT图像中获取肝脏以及肝脏肿瘤的位置、大小等特征,是进行肝病诊断、手术规划、功能评估和治疗决策的重要前提。然而依靠专业人员进行纯手工分割是耗时费力的,另一方面,由于肝脏以及肿瘤在CT图像中表现出边缘模糊、低对比度和灰度不均等特性,完全依靠计算机进行自动分割也是较为困难的。因此,本研究针对肝脏和肝脏肿瘤在CT图像中的特征,分别搭建了一种半自动分割方法,以实现高效准确地分割。主要研究内容如下:首先,利用一种以改进的水平集模型为主体的算法进行分割。基于区域或边缘单一信息驱动的水平集模型是不容易完成肝脏分割任务的,该水平集模型在基于全局和局部信息的区域型水平集基础上,引入边缘信息,构建了一种混合水平集模型,并对模型中的边缘指示函数进行二值化,利用区域增长算法从中提取水平集演化的初始轮廓,来完成肝脏分割任务。利用该算法对40套人体腹部CT图像序列和20套MR图像序列进行分割,同样取得较好分割结果。然后,利用骨骼信息进行肝脏分割约束构建。该算法首先通过阈值法获取骨骼信息,接着利用椭圆拟合算法寻找特征点,最后通过三次插值算法构造约束。利用该算法对一些肝脏和肌肉粘连处边缘缺失的CT图像进行约束,有效地解决了了肝脏分割过程中因肝脏与肌肉粘连带来的过分割问题。此外,利用改进的模糊C均值聚类算法完成半自动分割。该方法首先通过人机交互定位肝脏肿瘤,然后利用目标区域的灰度分布直接获取聚类中心和隶属度矩阵,根据隶属度对像素进行分类,完成肝脏肿瘤分割。利用该算法对3Dircadb数据集中的肿瘤进行分割,取得了误差结果较小的分割结果。最后,利用提出的分割算法对其他人体器官和动物器官进行分割,同样取得了较为理想的分割结果,证明了本研究算法具有鲁棒性和适用性。
二、挑战治疗“金标准”（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：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（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。
三、挑战治疗“金标准”（论文提纲范文）
（1）深度医学图像配准研究进展:迈向无监督学习（论文提纲范文）
| 0 引言 |
| 1 深度医学图像配准的界定及分类 |
| 2 全监督医学图像配准 |
| 3 双监督及弱监督医学图像配准 |
| 4 无监督医学图像配准 |
| 5 配准实验比较 |
| 5.1 数据集 |
| 5.2 实验细节 |
| 5.3 实验结果 |
| 6 结语 |
（2）基于无造影剂MRI图像的肝癌智能诊断方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 肝肿瘤的2D分割 |
| 1.2.2 肝肿瘤的3D分割 |
| 1.2.3 肝脏多模态图像的融合 |
| 1.2.4 小样本图像的肝肿瘤分类 |
| 1.2.5 肝肿瘤的自动检测 |
| 1.3 课题来源及主要研究内容 |
| 1.3.1 实验数据及其特点 |
| 1.3.2 研究内容 |
| 1.4章节安排 |
| 第2章 基于Radiomics-guided DUN-GAN的肝肿瘤2D分割方法 |
| 2.1 问题分析及解决思路 |
| 2.1.1 问题分析 |
| 2.1.2 解决思路 |
| 2.2 分割的国内外研究现状 |
| 2.3 放射组学指导的生成对抗网络 |
| 2.3.1 密度U型嵌套分割器 |
| 2.3.2 放射组学特征指导的鉴别器 |
| 2.3.3 自适应像素级混合损失函数 |
| 2.4 实验结果与分析 |
| 2.4.1 实验数据集及平台 |
| 2.4.2 实验评估指标 |
| 2.4.3 Radiomcis-guided DUN-GAN的定性评估结果 |
| 2.4.4 Radiomics-guied DUN-GAN的定量评估-ROC和 PR曲线 |
| 2.4.5 Radiomics-guied DUN-GAN的定量评估-Dice系数 |
| 2.4.6 放射组学特征指导的定性评估 |
| 2.5 讨论 |
| 2.5.1 放射组学特征对分割结果的影响 |
| 2.5.2 不同特征指导下模型的性能对比 |
| 2.5.3 不同损失函数的对比 |
| 2.5.4 与其他分割方法的对比 |
| 2.6 本章小结 |
| 第3章 基于多模态的TsA-3DNet的肿瘤3D分割和多指标量化方法 |
| 3.1 问题分析及解决思路 |
| 3.1.1 问题分析 |
| 3.1.2 解决思路 |
| 3.2 融合和分割的国内外研究现状 |
| 3.3 双流相关3DNet |
| 3.3.1 精炼模块连接的体积分割 |
| 3.3.2 多指标量化 |
| 3.3.3 双流处理通道(TsAC) |
| 3.3.4 TsAC的多功能 |
| 3.3.5 多任务联合损失函数 |
| 3.4 实验结果和分析 |
| 3.4.1 实验数据集及平台 |
| 3.4.2 实验评估指标 |
| 3.4.3 数据的预处理 |
| 3.4.4 TsA-3DNet网络分割性能的定性评估 |
| 3.4.5 TsA-3DNet网络分割性能的定量评估 |
| 3.4.6 TsA-3DNet网络量化性能的定量评估 |
| 3.4.7 TsA-3DNet网络特征图的可视化 |
| 3.5 实验讨论 |
| 3.5.1 多视角融合机制对分割性能的影响 |
| 3.5.2 多视角融合机制对量化性能的影响 |
| 3.5.3 双向指导机制对分割性能的影响 |
| 3.5.4 双向指导机制对量化性能的影响 |
| 3.5.5 与其他分割方法的对比 |
| 3.6 本章小结 |
| 第4章 基于数据增强的Dg-GAN肝肿瘤分类方法 |
| 4.1 问题分析及解决思路 |
| 4.1.1 问题分析 |
| 4.1.2 解决思路 |
| 4.2 合成和分类的国内外研究现状 |
| 4.3 细节指导的生成对抗网络 |
| 4.3.1 多尺度上下文感知的生成器 |
| 4.3.2 基于VGG的鉴别器 |
| 4.3.3 细节指导的分类器 |
| 4.3.4 联合的损失函数 |
| 4.4 实验结果和分析 |
| 4.4.1 实验数据集及平台 |
| 4.4.2 实验评估指标 |
| 4.4.3 数据的预处理 |
| 4.4.4 Dg-GAN网络分类性能的定性分析 |
| 4.4.5 Dg-GAN网络合成性能的定性分析 |
| 4.4.6 Dg-GAN网络合成性能的定量分析 |
| 4.5 实验讨论 |
| 4.5.1 不同扩充方法对分类性能的影响 |
| 4.5.2 不同损失函数对分类性能的影响 |
| 4.5.3 不同鉴别器对分类性能的影响 |
| 4.5.4 与其他分类方法的对比 |
| 4.5.5 与其他合成方法的对比 |
| 4.6 本章小结 |
| 第5章 基于联合对抗学习的肝肿瘤辅助诊断方法 |
| 5.1 问题分析及解决思路 |
| 5.1.1 问题分析 |
| 5.1.2 解决思路 |
| 5.2 分割和检测的国内外研究现状 |
| 5.2.1 肝肿瘤检测的深度学习 |
| 5.2.2 肝肿瘤检测的临床研究 |
| 5.3 联合生成对抗网络 |
| 5.3.1 边缘差异特征金字塔模块 |
| 5.3.2 多模态特征融合和选择 |
| 5.3.3 带填充的坐标共享 |
| 5.3.4 多相放射组学指导的鉴别器 |
| 5.3.5 UAL的约束策略 |
| 5.4 实验结果和分析 |
| 5.4.1 实验数据集及平台 |
| 5.4.2 实验评估指标 |
| 5.4.3 UAL的整体性能 |
| 5.4.4 UAL网络的定量评估 |
| 5.5 实验讨论 |
| 5.5.1 EDFPM对性能的影响 |
| 5.5.2 FSC对性能的影响 |
| 5.5.3 CSWP对性能的影响 |
| 5.5.4 MPRG-D对性能的影响 |
| 5.5.5 多模态数据的定性评估 |
| 5.5.6 不同模态的无造影剂图像对UAL的影响 |
| 5.5.7 不同模态的造影剂增强图像对UAL的影响 |
| 5.5.8 不同模型的参数量对比 |
| 5.6 结论 |
| 第6章 总结和展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读学位期间取得的科研成果 |
| 致谢 |
（3）基于深度学习的儿童气道异物堵塞CT影像分析（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 引言 |
| 1.1 研究背景及意义 |
| 1.2 儿童气道异物堵塞胸部CT影像特点 |
| 1.3 国内外研究现状 |
| 1.3.1 深度学习在医学目标检测上的应用 |
| 1.3.2 基于传统特征提取方法在人体气道树分割上的应用 |
| 1.3.3 深度学习在人体气道树分割上的进展 |
| 1.4 本文章节安排 |
| 第2章 基于深度学习的气道异物的定位与分类 |
| 2.1 前言 |
| 2.2 气道异物检测CAD系统 |
| 2.2.1 改进的Faster-RCNN异物候选检测网络 |
| 2.2.2 假阳性筛查网络 |
| 2.3 实验结果与分析 |
| 2.3.1 数据的获取与预处理 |
| 2.3.2 数据增强 |
| 2.3.3 结果与分析 |
| 2.4 本章小结 |
| 第3章 基于全监督学习的儿童气道树分割 |
| 3.1 前言 |
| 3.2 改进的U-Net分割网络 |
| 3.2.1 网络结构 |
| 3.2.2 三维连通区域分析 |
| 3.3 强制召回特征注意力网络 |
| 3.3.1 网络结构 |
| 3.3.2 高斯图像金字塔注意力门控制网络 |
| 3.3.3 ROI特征召回器 |
| 3.3.4 损失函数 |
| 3.4 实验结果与分析 |
| 3.4.1 数据集 |
| 3.4.2 实现细节 |
| 3.4.3 改进的U-Net模型分割结果 |
| 3.4.4 强制召回特征注意力网络的分割结果 |
| 3.4.5 与其他气道分割算法对比 |
| 3.5 本章小结 |
| 第4章 基于半/无监督学习的儿童气道树分割 |
| 4.1 前言 |
| 4.2 生成对抗网络 |
| 4.3 基于生成对抗网络的半监督气道分割 |
| 4.3.1 网络结构 |
| 4.3.2 损失函数 |
| 4.4 基于域适应的无监督气道分割 |
| 4.4.1 具有逐步可靠性的one-hot编码的伪标签 |
| 4.4.2 损失函数 |
| 4.5 实验结果与分析 |
| 4.5.1 数据集 |
| 4.5.2 半监督策略下的气道分割结果 |
| 4.5.3 无监督策略下的气道分割结果 |
| 4.5.4 本文所提出的所有分割方法的结果对比 |
| 4.6 本章小结 |
| 第5章 总结与展望 |
| 5.1 本文工作总结 |
| 5.2 局限与展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
（4）二氧化硫纳米药物增强多柔比星及PD-L1单抗在黑素瘤中的治疗作用及机制研究（论文提纲范文）
| 中文摘要 |
| abstract |
| 英文缩略词表 |
| 第1章 引言 |
| 第2章 文献综述 |
| 2.1 黑素瘤概述 |
| 2.1.1 流行病学 |
| 2.1.2 危险因素 |
| 2.1.3 诊断方法 |
| 2.2 黑素瘤的临床治疗现状 |
| 2.2.1 手术治疗 |
| 2.2.2 放射治疗 |
| 2.2.3 化学治疗 |
| 2.2.4 靶向治疗 |
| 2.2.5 免疫治疗 |
| 2.3 黑素瘤的预后因素分析 |
| 2.4 气体分子在抗肿瘤治疗中的应用前景 |
| 2.4.1 基于O_2的抗肿瘤治疗 |
| 2.4.2 基于CO_2的抗肿瘤治疗 |
| 2.4.3 基于NO的抗肿瘤治疗 |
| 2.4.4 基于H_2S的抗肿瘤治疗 |
| 2.4.5 基于SO_2的抗肿瘤治疗 |
| 第3章 还原响应性SO_2纳米药物增强多柔比星在黑素瘤中的治疗作用及机制研究 |
| 3.1 引言 |
| 3.2 实验材料 |
| 3.2.1 主要试剂 |
| 3.2.2 细胞及动物 |
| 3.3 实验方法 |
| 3.3.1 SO_2聚合物前药的合成 |
| 3.3.2 PDDN的制备及表征 |
| 3.3.3 PDDN的还原响应性检测 |
| 3.3.4 PDDN-DOX的制备及表征 |
| 3.3.5 体外抗肿瘤效果评价 |
| 3.3.6 体外抗肿瘤作用机制研究 |
| 3.3.7 体内药代动力学分析 |
| 3.3.8 PDDN-DOX在皮肤黑素瘤模型中的生物分布 |
| 3.3.9 PDDN-DOX在皮肤黑素瘤模型中的治疗效果评价 |
| 3.3.10 PDDN-DOX在肺转移性黑素瘤模型中的生物分布 |
| 3.3.11 PDDN-DOX在肺转移性黑素瘤模型中的治疗效果评价 |
| 3.3.12 体内抗肿瘤作用机制研究 |
| 3.3.13 统计分析 |
| 3.4 结果与讨论 |
| 3.4.1 SO_2聚合物前药的合成 |
| 3.4.2 PDDN的制备及表征 |
| 3.4.3 PDDN在还原剂作用下释放SO_2 |
| 3.4.4 PDDN-DOX的制备及表征 |
| 3.4.5 体外抗肿瘤效果评价 |
| 3.4.6 体外抗肿瘤作用机制分析 |
| 3.4.7 体内药代动力学分析 |
| 3.4.8 PDDN-DOX在皮肤黑素瘤模型中的有效蓄积 |
| 3.4.9 PDDN-DOX在皮肤黑素瘤模型中的抗肿瘤效果评价 |
| 3.4.10 PDDN-DOX在肺转移性黑素瘤中有效蓄积 |
| 3.4.11 PDDN-DOX在肺转移性黑素瘤模型中的抗肿瘤效果评价 |
| 3.4.12 体内抗肿瘤作用机制研究 |
| 3.5 本章小结 |
| 第4章 线粒体靶向SO_2纳米药物增强PD-L1 单抗在黑素瘤中的治疗作用及机制研究 |
| 4.1 引言 |
| 4.2 实验材料 |
| 4.2.1 主要试剂 |
| 4.2.2 细胞及动物 |
| 4.2.3 主要仪器 |
| 4.3 实验方法 |
| 4.3.1 材料的合成 |
| 4.3.2 RhoB-DNs的自组装行为研究 |
| 4.3.3 RhoB-DNs与线粒体共定位检测 |
| 4.3.4 SO_2的细胞内释放情况检测 |
| 4.3.5 细胞内ROS水平检测 |
| 4.3.6 细胞凋亡水平检测 |
| 4.3.7 体外抗肿瘤效果评价 |
| 4.3.8 体外验证RhoB-DNs诱导黑素瘤细胞发生ICD |
| 4.3.9 疫苗接种与再挑战研究(ICD金标准) |
| 4.3.10 RhoB-DNs在皮肤黑素瘤模型中的治疗效果评价 |
| 4.3.11 体内免疫细胞分离与检测 |
| 4.3.12 RhoB-DNs联合PD-L1 单抗治疗原位及转移性黑素瘤 |
| 4.3.13 统计分析 |
| 4.4 结果与讨论 |
| 4.4.1 材料的合成及表征 |
| 4.4.2 RhoB-DNs自组装形成纳米粒子 |
| 4.4.3 RhoB-DNs具备线粒体靶向功能 |
| 4.4.4 RhoB-DNs在黑素瘤细胞内响应性释放SO_2 |
| 4.4.5 RhoB-DNs诱导黑素瘤细胞发生氧化应激 |
| 4.4.6 RhoB-DNs引起黑素瘤细胞发生凋亡 |
| 4.4.7 RhoB-DNs体外抗肿瘤效果评价 |
| 4.4.8 RhoB-DNs诱导黑素瘤细胞发生免疫源性死亡(ICD) |
| 4.4.9 疫苗接种与再挑战结果评价 |
| 4.4.10 RhoB-DNs在体内激活抗肿瘤免疫 |
| 4.4.11 RhoB-DNs联合PD-L1 单抗协同治疗原位及转移性黑素瘤 |
| 4.5 本章小结 |
| 第5章 结论 |
| 全文总结及创新点 |
| 参考文献 |
| 作者简介及在学期间所取得的科研成果 |
| 致谢 |
（5）基于深度学习的医学图像深度参数测量与病情预测（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 研究现状 |
| 1.2.1 基于IVUS的深度参数提取技术研究现状 |
| 1.2.2 非灌注CT用于HT疾病预测的研究现状 |
| 1.3 论文研究内容与结构安排 |
| 第二章 基于深度学习的临床医学图像基本理论技术 |
| 2.1 临床医学图像基本成像理论介绍 |
| 2.1.1 血管内超声(IVUS)基本理论介绍 |
| 2.1.2 计算机断层扫描技术(CT)基本理论介绍 |
| 2.2 深度学习分类与分割网络基本技术介绍 |
| 2.2.1 深度学习概述 |
| 2.2.2 经典分类神经网络概述 |
| 2.2.3 经典分割神经网络概述 |
| 2.3 医学影像应用理论难点与挑战 |
| 2.3.1 基于IVUS的深度医学参数提取难点 |
| 2.3.2 基于非灌注CT的HT风险性预测挑战 |
| 2.4 本章小结 |
| 第三章 基于IVUS的深度多参数提取算法框架 |
| 3.1 自动分割算法 |
| 3.2 图像预处理 |
| 3.3 多参数同步测量算法 |
| 3.3.1 数字图像基本参数提取 |
| 3.3.2 多参数医学指标同步测量 |
| 3.4 多参数同步测量算法实验设计 |
| 3.4.1 数据库与实验环境设置 |
| 3.4.2 预分割模块实验结果 |
| 3.4.3 全自动IVUS多参数同步测量实验结果 |
| 3.5 本章小结 |
| 第四章 基于非灌注CT的出血性转化(HT)预测网络 |
| 4.1 DBSE-Net模型总览 |
| 4.2 DBSE-Net算法模型 |
| 4.2.1 基于ASPECTS医学评估指标的脑部关键帧选择层 |
| 4.2.2 基于变权重UNet的脑区域分割层 |
| 4.2.3 基于不同接收域的双支路自适应特征编码层 |
| 4.2.4 全连接预测结构 |
| 4.3 双支路分离与增强网络(DBSE-Net)实验设计 |
| 4.3.1 数据获取 |
| 4.3.2 实验细节 |
| 4.3.3 预测评估指标 |
| 4.3.4 分割评估指标 |
| 4.3.5 对比实验 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 论文总结 |
| 5.2 论文展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士研究生期间研究成果 |
| 学位论文评阅及答辩情况表 |
（6）医学图像中的血管分割算法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 缩写和符号清单 |
| 1 绪论 |
| 1.1 课题研究背景 |
| 1.2 课题研究的意义与目的 |
| 1.3 血管的成像原理与分割难点 |
| 1.3.1 眼底血管 |
| 1.3.2 脑血管 |
| 1.3.3 肝脏血管 |
| 1.4 本文的创新点 |
| 1.5 本文的组织结构 |
| 2 相关研究综述 |
| 2.1 血管分割总体概述 |
| 2.2 国内外研究现状 |
| 2.2.1 按照算法原理总结 |
| 2.2.2 按照血管部位总结 |
| 2.3 血管分割结果的评价指标 |
| 2.4 公开的血管影像数据集 |
| 2.5 本章小结 |
| 3 基于生成对抗网络的视网膜血管分割算法 |
| 3.1 引言 |
| 3.2 方法 |
| 3.2.1 数据增强 |
| 3.2.2 网络结构 |
| 3.2.3 实现细节 |
| 3.3 实验和结果 |
| 3.3.1 数据集和实验环境 |
| 3.3.2 评价标准 |
| 3.3.3 结果对比 |
| 3.4 讨论 |
| 3.5 本章小结 |
| 4 基于Multiple-U-net的脑血管分割算法 |
| 4.1 引言 |
| 4.2 方法 |
| 4.2.1 数据集 |
| 4.2.2 M-U-net网络结构 |
| 4.2.3 算法实现细节 |
| 4.2.4 投票融合 |
| 4.2.5 后处理 |
| 4.3 实验和结果 |
| 4.3.1 实验环境 |
| 4.3.2 Loss函数选取对比实验 |
| 4.3.3 最优Epoch选取实验 |
| 4.3.4 Single-U-net实验结果 |
| 4.3.5 M-U-net实验结果 |
| 4.3.6 算法对比 |
| 4.4 讨论 |
| 4.5 本章小结 |
| 5 基于图割和断支补全的肝脏血管分割算法 |
| 5.1 引言 |
| 5.2 方法 |
| 5.2.1 提取肝脏区域 |
| 5.2.2 基于Sigmoid函数的体素灰度映射 |
| 5.2.3 基于Hessian矩阵的血管增强滤波 |
| 5.2.4 各项异性扩散滤波 |
| 5.2.5 基于自适应能量函数图割算法的血管初步分割 |
| 5.2.6 血管中心线提取 |
| 5.2.7 血管中心线补全 |
| 5.2.8 血管补全 |
| 5.3 实验和结果 |
| 5.3.1 数据集和实验环境 |
| 5.3.2 评价标准 |
| 5.3.3 最优参数选取 |
| 5.3.4 实验结果 |
| 5.3.5 算法对比 |
| 5.4 讨论 |
| 5.5 本章小结 |
| 6 结论和展望 |
| 6.1 本文主要工作 |
| 6.2 未来研究的展望 |
| 参考文献 |
| 作者简历及在学研究成果 |
| 学位论文数据集 |
（7）光学相干断层扫描图像中视网膜液体分割的技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题研究的目的和意义 |
| 1.2 国内外研究进展及现状 |
| 1.3 本文研究内容与创新点 |
| 1.3.1 本文的研究内容 |
| 1.3.2 本文的创新点 |
| 1.4 论文章节安排 |
| 第2章 相关技术 |
| 2.1 卷积神经网络 |
| 2.2 多分支卷积神经网络 |
| 2.3 注意力机制 |
| 2.4 不确定性的发展 |
| 2.5 本章小结 |
| 第3章 基于注意力的多任务模型用于OCT图像中液体的分割 |
| 3.1 提出的方法介绍 |
| 3.1.1 分割网络框架 |
| 3.1.2 基于边界的注意力机制 |
| 3.1.3 基于通道的注意力机制 |
| 3.2 模型损失函数 |
| 3.2.1 Dice损失 |
| 3.2.2 加权二值交叉熵损失 |
| 3.2.3 空间加权损失 |
| 3.2.4 回归损失 |
| 3.3 实验结果和分析 |
| 3.3.1 数据集和实现细节 |
| 3.3.2 对比方法和评价指标 |
| 3.3.3 液体的分割结果 |
| 3.3.4 消融实验 |
| 3.4 本章小结 |
| 第4章 不确定性引导的半监督框架用于OCT图像中多类视网膜液体的分割 |
| 4.1 算法系统框架 |
| 4.1.1 不确定性引导的半监督框架 |
| 4.1.2 学生和教师模型 |
| 4.1.3 选择性核模块 |
| 4.2 模型损失函数 |
| 4.2.1 加权dice损失 |
| 4.2.2 轮廓损失 |
| 4.2.3 一致性损失 |
| 4.3 实验结果与分析 |
| 4.3.1 数据集 |
| 4.3.2 实现细节 |
| 4.3.3 比较方法和评价指标 |
| 4.3.4 定性和定量分析 |
| 4.3.5 消融实验 |
| 4.3.6 5-折交叉验证 |
| 4.3.7 超参数讨论 |
| 4.4 本章小结 |
| 第5章 结论与展望 |
| 5.1 内容总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 附录1 攻读硕士学位期间发表的论文 |
| 附录2 攻读硕士学位期间参加的科研项目 |
| 详细摘要 |
（8）基于深度卷积神经网络和水平集的胰腺与脑肿瘤的自动分割（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 论文的研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 本文工作的主要步骤和结构安排 |
| 第二章 CT图像分割的理论基础 |
| 2.1 CT成像技术 |
| 2.2 深度卷积神经网络概述 |
| 2.2.1 卷积神经网络基础 |
| 2.2.2 误差反向传播算法 |
| 2.2.3 深度学习框架 |
| 2.3 水平集算法概述 |
| 2.4 本章小结 |
| 第三章 基于深度卷积神经网络和水平集的胰腺分割算法 |
| 3.1 算法流程 |
| 3.2 基于深度卷积神经网络的胰腺粗分割 |
| 3.2.1 HED网络 |
| 3.2.2 Segnet网络 |
| 3.2.3 改进的Unet网络 |
| 3.3 实验步骤及结果分析 |
| 3.3.1 实验数据集 |
| 3.3.2 CT图像数据集的预处理 |
| 3.3.3 实验环境和训练细节 |
| 3.3.4 深度卷积神经网络分割结果及分析 |
| 3.4 基于水平集算法的胰腺细分割 |
| 3.4.1 水平集算法 |
| 3.4.2 水平集算法分割的最终结果及分析 |
| 3.5 实验结果定量分析 |
| 3.6 本章小结 |
| 第四章 基于深度卷积神经网络的脑肿瘤图像分割算法 |
| 4.1 DFP-ResUNet网络 |
| 4.2 实验数据处理与实验设置 |
| 4.2.1 实验数据集与预处理 |
| 4.2.2 损失函数和训练细节 |
| 4.3 实验结果及分析 |
| 4.3.1 DFP模块的消融实验与结果分析 |
| 4.3.2 残差模块的消融实验与结果分析 |
| 4.3.3 DFP-ResUNet的实验结果与分析 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 工作总结 |
| 5.2 未来研究展望 |
| 参考文献 |
| 攻读硕士研究生期间发表的相关论文 |
| 致谢 |
（9）人工智能在早期肺腺癌及新型冠状病毒肺炎CT诊断的研究（论文提纲范文）
| 摘要 |
| 英文摘要 |
| 第1章 绪论 |
| 第2章 文献综述 |
| 2.1 CT影像在早期肺腺癌及新型冠状病毒肺炎诊断的应用 |
| 2.1.1 早期肺腺癌的CT影像诊断 |
| 2.1.2 新型冠状病毒肺炎的CT影像诊断 |
| 2.2 基于CT的人工智能在非小细胞肺癌及新型冠状病毒肺炎的临床应用 |
| 2.2.1 人工智能在影像医学应用的发展 |
| 2.2.2 影像组学与深度学习的工作流程 |
| 2.2.3 基于CT的人工智能在非小细胞肺癌的临床应用 |
| 2.2.4 基于CT的人工智能在新型冠状病毒肺炎的临床应用 |
| 2.3 人工智能在影像医学应用的局限性与展望 |
| 第3章 基于CT的影像组学鉴别早期磨玻璃样肺腺癌浸润性的研究 |
| 3.1 材料与方法 |
| 3.1.1 研究对象 |
| 3.1.2 临床特征与CT形态学评估 |
| 3.1.3 CT采集、ROI分割和特征提取 |
| 3.1.4 建立影像组学标签及诺谟图 |
| 3.1.5 统计分析 |
| 3.2 结果 |
| 3.2.1 临床特征与CT形态学预测指标 |
| 3.2.2 影像组学标签的建立与分层分析 |
| 3.2.3 诺谟图的建立 |
| 3.2.4 影像组学标签及诺谟图的诊断效能 |
| 3.3 讨论 |
| 3.4 结论 |
| 第4章 基于CT的深度学习鉴别新型冠状病毒肺炎与社区获得性肺炎的研究 |
| 4.1 材料与方法 |
| 4.1.1 研究对象 |
| 4.1.2 COVID-19影像分期系统 |
| 4.1.3 深度学习算法的开发 |
| 4.1.4 临床医生的评估 |
| 4.1.5 统计分析 |
| 4.2 结果 |
| 4.2.1 研究对象的临床特征 |
| 4.2.2 深度学习算法的诊断效能 |
| 4.2.3 临床医生的诊断效能 |
| 4.2.4 深度学习模型的可视化 |
| 4.3 讨论 |
| 4.4 结论 |
| 参考文献 |
| 附录 |
| 作者简介及在学期间所取得的科研成果 |
| 致谢 |
（10）基于CT影像的肝脏及其肿瘤分割方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 肝脏分割方法综述 |
| 1.2.2 肝脏肿瘤分割方法综述 |
| 1.2.3 存在的问题 |
| 1.3 本文主要研究内容 |
| 2 基于混合水平集模型和骨骼信息约束的肝脏分割方法研究 |
| 2.1 引言 |
| 2.2 肝脏分割算法流程 |
| 2.3 图像预处理 |
| 2.3.1 自适应加窗技术 |
| 2.3.2 图像滤波处理 |
| 2.4 基于骨骼信息构建肝脏分割约束 |
| 2.5 基于全局信息和局部信息驱动的混合水平集模型 |
| 2.5.1 水平集模型 |
| 2.5.2 基于全局信息和局部信息驱动的符号压力函数 |
| 2.5.3 混合水平集模型 |
| 2.5.4 初始轮廓获取 |
| 2.6 本章小结 |
| 3 基于混合水平集和骨骼信息约束的肝脏分割方法应用及分析 |
| 3.1 引言 |
| 3.2 数据来源和评估标准 |
| 3.2.1 数据来源 |
| 3.2.2 评估标准 |
| 3.3 分割结果与分析 |
| 3.3.1 肝脏分割结果 |
| 3.3.2 初始轮廓与演化结果对比 |
| 3.3.3 不同类型的水平集模型对比 |
| 3.3.4 骨骼信息约束结果与分析 |
| 3.3.5 不同算法对比 |
| 3.3.6 二维轮廓及三维模型分析 |
| 3.4 本章小结 |
| 4 基于模糊C均值聚类的肝脏肿瘤分割方法 |
| 4.1 引言 |
| 4.2 肝脏肿瘤分割算法 |
| 4.2.1 分割流程 |
| 4.2.2 基于灰度分布的模糊C均值聚类算法 |
| 4.3 肝脏肿瘤分割结果分析 |
| 4.4 本章小结 |
| 5 软组织器官模型构建 |
| 5.1 引言 |
| 5.2 器官模型构建方法 |
| 5.3 人体器官模型构建及分析 |
| 5.4 动物器官模型构建及分析 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表学术论文情况 |
| 致谢 |
四、挑战治疗“金标准”（论文参考文献）
- [1]深度医学图像配准研究进展:迈向无监督学习[J]. 马露凡,罗凤,严江鹏,徐哲,罗捷,李秀. 中国图象图形学报, 2021(09)
- [2]基于无造影剂MRI图像的肝癌智能诊断方法研究[D]. 肖小娇. 太原理工大学, 2021
- [3]基于深度学习的儿童气道异物堵塞CT影像分析[D]. 魏建华. 中国科学院大学(中国科学院深圳先进技术研究院), 2021(08)
- [4]二氧化硫纳米药物增强多柔比星及PD-L1单抗在黑素瘤中的治疗作用及机制研究[D]. 安林. 吉林大学, 2021(01)
- [5]基于深度学习的医学图像深度参数测量与病情预测[D]. 王子樵. 山东大学, 2021(09)
- [6]医学图像中的血管分割算法研究[D]. 郭晓宇. 北京科技大学, 2021
- [7]光学相干断层扫描图像中视网膜液体分割的技术研究[D]. 王少成. 武汉科技大学, 2021(01)
- [8]基于深度卷积神经网络和水平集的胰腺与脑肿瘤的自动分割[D]. 高军. 山东师范大学, 2021(12)
- [9]人工智能在早期肺腺癌及新型冠状病毒肺炎CT诊断的研究[D]. 孟繁杨. 吉林大学, 2021(01)
- [10]基于CT影像的肝脏及其肿瘤分割方法研究[D]. 白佳宾. 大连理工大学, 2021(01)