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)對疾病進(jìn)行診斷和對疾病的相關(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)一直研究的難點和重點。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，也對圖像處理的其他方面的研究打

2、下了堅實的基礎(chǔ)。很多圖像分割方法經(jīng)過長時間的研究已經(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。
　　本文通過對深度學(xué)習(xí)中卷積神經(jīng)網(wǎng)絡(luò)模型的改進(jìn)對肺部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。在文章的開始對醫(yī)學(xué)CT圖像對疾病診斷的重要性和傳統(tǒng)圖像分割方法進(jìn)行了分析，強調(diào)了

3、基于卷積神經(jīng)網(wǎng)絡(luò)對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LeNet-5卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行改進(jìn)并在這個基礎(chǔ)上對肺部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)計的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)對其進(jìn)行了分割，也取得很好的效果，證實了改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)在腦部CT圖像分割上的可行性。具體研究內(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肺實

4、質(zhì)進(jìn)行了提?。蝗缓笤诜螌嵸|(zhì)圖像patch基礎(chǔ)上結(jié)合模糊隸屬度方法對傳統(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)算法對腦部CT圖像中的軟組織部分進(jìn)行了提??；然后通過設(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