卷積神經(jīng)網(wǎng)絡(luò)在CT圖像分割中的應(yīng)用研究.pdf

1、如今的醫(yī)學(xué)領(lǐng)域中對(duì)疾病診斷的新工具層出不窮，基于醫(yī)學(xué)數(shù)字圖像的研究蔚然成風(fēng)。數(shù)字成像設(shè)備的革新和醫(yī)學(xué)圖像處理方法的不斷創(chuàng)新背景下，醫(yī)學(xué)數(shù)字圖像作為能夠反映人體器官和組織的內(nèi)部信息的載體發(fā)揮著不可替代的作用。在如今高分辨率的數(shù)字圖像面前，如何利用這些圖像數(shù)據(jù)對(duì)疾病進(jìn)行診斷和對(duì)疾病的相關(guān)信息進(jìn)行深度挖掘是如今醫(yī)學(xué)圖像處理與分析范疇內(nèi)一直研究的難點(diǎn)和重點(diǎn)。醫(yī)學(xué)數(shù)字圖像分割技術(shù)的研究是當(dāng)前圖像處理領(lǐng)域中的重要部分，也對(duì)圖像處理的其他方面的研究打

2、下了堅(jiān)實(shí)的基礎(chǔ)。很多圖像分割方法經(jīng)過長(zhǎng)時(shí)間的研究已經(jīng)逐漸成熟，在醫(yī)學(xué)數(shù)字圖像領(lǐng)域中得到了使用并且取得了很好的分割效果的同時(shí)也遇到了很大的瓶頸。深度學(xué)習(xí)網(wǎng)絡(luò)的出現(xiàn)給圖像分割技術(shù)的發(fā)展注入了新的活力，基于深度學(xué)習(xí)的分割算法成為了專家學(xué)者新的研究方向。
　　本文通過對(duì)深度學(xué)習(xí)中卷積神經(jīng)網(wǎng)絡(luò)模型的改進(jìn)對(duì)肺部CT圖像和腦部CT圖像數(shù)據(jù)進(jìn)行分割方面的相關(guān)應(yīng)用研究。在文章的開始對(duì)醫(yī)學(xué)CT圖像對(duì)疾病診斷的重要性和傳統(tǒng)圖像分割方法進(jìn)行了分析，強(qiáng)調(diào)了

3、基于卷積神經(jīng)網(wǎng)絡(luò)對(duì)CT圖像分割的必要性和可行性。其次結(jié)合基于模糊隸屬度概率方法對(duì)LeNet-5卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行改進(jìn)并在這個(gè)基礎(chǔ)上對(duì)肺部CT圖像進(jìn)行分割，取得了良好的分割效果。最后，在腦部CT圖像數(shù)據(jù)的基礎(chǔ)上，通過自己設(shè)計(jì)的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)對(duì)其進(jìn)行了分割，也取得很好的效果，證實(shí)了改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)在腦部CT圖像分割上的可行性。具體研究?jī)?nèi)容如下：
　　1．在肺部CT圖像分割中，首先結(jié)合了基于灰度直方圖閾值二值化方法和邊界跟蹤方法對(duì)肺實(shí)

4、質(zhì)進(jìn)行了提??；然后在肺實(shí)質(zhì)圖像patch基礎(chǔ)上結(jié)合模糊隸屬度方法對(duì)傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的輸出層進(jìn)行改進(jìn)并訓(xùn)練其參數(shù)；最后通過訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)模型完成肺部紋理分割。
　　2．在腦部CT圖像分割中，首先是使用基于閾值和形態(tài)學(xué)算法對(duì)腦部CT圖像中的軟組織部分進(jìn)行了提?。蝗缓笸ㄟ^設(shè)置卷積神經(jīng)網(wǎng)絡(luò)的層數(shù)、卷積層核函數(shù)大小和數(shù)量、下采樣大小、策略以及激活函數(shù)等設(shè)計(jì)新的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)用于腦部CT圖像分割并訓(xùn)練其參數(shù)；最后通過訓(xùn)練好的卷積神