导读:本文包含了医学图像分析论文开题报告文献综述及选题提纲参考文献，主要关键词:医学影像图像,区域分割,数学模型,伪彩色
医学图像分析论文文献综述
刘伟[1]（2019）在《基于区域分割的伪彩色医学影像图像分析及实现》一文中研究指出本文对医学影像图像伪彩色增强算法的叁种数学模型进行了理论分析,采用仿真平台对基于区域分割的伪彩色增强医学影像图像进行设计、实现和研究.理论计算和数值仿真均表明理论分析的正确性.(本文来源于《中央民族大学学报(自然科学版)》期刊2019年03期）
黄江珊,王秀红[2]（2019）在《深度学习在医学图像分析中的应用研究综述》一文中研究指出[目的/意义]介绍深度学习的概念、发展过程以及叁种典型深度学习模型:卷积神经网络(CNN)、深度信念网络(DBN)和堆迭自动编码器(SAE),并梳理叁种模型的发展历程,对深度学习在医学图像分析中的应用研究状况进行综述。[方法/过程]通过文献调研对深度学习模型在医学图像分析领域的诸多应用进行整理,并在此基础上突出一些关键的应用领域,进而讨论深度学习基本模型存在的问题。[结果/结论 ]深度学习模型目前存在五个问题:模型结构单一、训练方式仍需改进、训练时间过长、对无标记数据添加标签、克服对抗样本,在实际工作中应提出相关解决措施。从跨组织合作、大的图像数据集、深度学习方法的进步叁个方面对深度学习在医学图像分析领域的发展前景进行展望。(本文来源于《图书情报研究》期刊2019年02期）
刘锐,何先波[3]（2019）在《基于深度学习的肺部医学图像分析研究进展》一文中研究指出目的:肺癌是全球致死率第一的癌症。近年来,医学影像技术的飞速发展使得医学图像分析进入了大数据时代。CT成像技术是最常见的影像筛查疾病的方式之一,传统的利用肺部CT影像诊断肺部肿瘤的工作量十分巨大,往往伴随长时间的阅片和医生的主观评价等缺点,导致假阳性率高,致使产生误诊。深度学习技术在计算机视觉领域的巨大成功让肺癌实现计算机辅助诊断筛查成为可能。本文介绍了深度学习及其在医学图像处理领域的研究进展,尤其对肺部肿瘤图像方面的应用研究现状做了重点介绍,总结了深度学习在医学图像分析中面临的主要问题并对应用前景进行了展望。(本文来源于《川北医学院学报》期刊2019年02期）
钱豫立[4]（2019）在《图像增强技术在数字X射线医学影像中的应用分析》一文中研究指出目的探讨图像增强技术在数字X射线医学影像中的应用效果。方法采用图像增强技术,包括直方图均衡混合和高频加强滤波,进一步对数字X射线医学影像进行增强处理,对比增强前后效果情况。结果在常规X射线影响所取图像中应用高频加强滤波,且将其参数设定在a=0.5,b=2.0,相较于传统高通滤波锐化,高频加强滤波效果更好,得到的图像对于细节的显示更为清晰,相较于使用以上任何一种方法的效果更佳。结论将图像增强技术应用于数字X射线医学影像中效果明显,对于早期诊断准确性具有重要的参考价值。(本文来源于《世界最新医学信息文摘》期刊2019年38期）
庞树茂[5]（2019）在《基于局部线性表达和深度学习的医学图像分析》一文中研究指出医学图像分割和医学图像定量测量是医学图像分析领域的关键问题,在许多疾病的辅助诊断和评估中占有重要临床意义。深度学习是解决众多医学图像分析问题通用有效的方法,但是深度学习中往往没有用到己有的先验知识,模型通常比较复杂,而医学图像数据稀缺,深度学习在解决医学图像分析问题时容易出现过拟合现象。局部线性表达是指流形上的样本可以由其近邻样本的线性组合近似表示,基于流形假设和局部线性表达,可以利用一些已有的先验知识(如局部线性映射、样本在流形上的分布规律等)简化模型。结合局部线性表达和深度学习,可以简化模型,提高模型的泛化能力。基于局部线性表达和深度学习的模型,本文在磁共振(Magnetic Resonance,MR)图像海马体分割和MR图像脊柱自动定量测量方面做了以下两项工作:(1)基于迭代局部线性映射(Iterative Local Linear Mapping,ILLM)的MR图像海马体分割。我们把海马体分割问题分解为多输出回归问题和阈值分割问题,多输出回归问题中,我们用MR图像块的特征预测其所对应的距离场(Distance Field,DF)图像块。DF图像中体素的绝对值表示该点距离海马体边界的最近距离,其符号表示该点是否属于海马体。预测出测试图像的DF图像后,由阈值为零的阈值分割即可得到分割结果。我们把深度学习模型融入到局部线性表达中,提出半监督深度自编码器,利用局部结构保留的流形正则化(Local Structure-preserved Manifold Regularization,LSPMR)对MR图像块提取到有鉴别力的特征,利用解剖空间约束的字典更新去除字典中的奇异点,确保了特征流形的局部性、DF流形的局部性以及这两个流形局部结构的一致性,从而提高海马体分割精度。本实验数据包含68个1.5T的T1加权和67个3.0T的T1加权MR图像,结果表明ILLM在不需配准的情况下能实现精确的海马体分割,对1.5T和3.0T数据的海马体分割Dice系数分别为0.8852和0.8783。(2)基于级联放大器回归网络(Cascade Amplifier Regression Network,CARN)的MR图像脊柱自动定量测量。腰椎体的高度和腰椎间盘的高度的测量有助于腰椎间盘突出、腰椎间盘退行性变等疾病的辅助诊断。本文把局部线性表达融入到深度学习中,提出CARN对腰椎体高度的15个指标和腰椎间盘高度的15个指标实现了精确的自动测量。我们用级联放大器网络(Cascade Amplifier Network,CAN)提取到有表现力的特征,用LSPMR提取到有鉴别力的特征,把深度学习模型的输出限制在局部线性表达所表示的输出流形上,缓解过拟合。本实验数据包含215个病人的T1加权MR图像和20个病人的T2加权MR图像。实验结果表明,CARN能实现精确的MR图像脊柱自动定量测量,对脊柱30个指标测量的平均绝对误差为1.22mm。(本文来源于《南方医科大学》期刊2019-05-01）
刘盛锋,王毅,杨鑫,雷柏英,刘立[6]（2019）在《深度学习在医学超声图像分析中的应用综述》一文中研究指出在临床上,超声(US)已成为最主要的成像模态之一。超声是一种快速发展的技术,具有无痛苦、无电离辐射、经济适用、实时成像等优点;同时也有成像质量差、差异性大等特有的缺点。对于图像分析来说,很有必要开发先进的自动化超声图像分析方法来帮助医生进行超声诊断,一方面可以减轻医生的负担,另一方面可以降低诊断的主观性,从而使得诊断更加客观与准确。近年来,深度学习已经成为最主要的机器学习工具,并且广泛应用于各个研究领域,尤其是一般的图像分析与计算机视觉。在医学超声图像分析中,深度学习也展示了巨大的应用潜力。本文首先简要介绍了一些流行的深度学习结构,然后总结并全面讨论了深度学习方法在超声图像分析的各种特定任务(如图像分类、物体检测与目标分割)中的应用。最后,本文讨论了深度学习在医学超声图像分析应用中所面临的挑战以及潜在的发展趋势。(本文来源于《Engineering》期刊2019年02期）
林颖[7]（2019）在《深度学习及在医学图像分析中的应用》一文中研究指出医学影像对于疾病的临床诊断具有十分重要的价值。随着成像设备的普及,医学影像数量大幅增加,成像质量也更高。深度卷积网络在自然图像上已经取得了巨大的成就,越来越多的研究尝试将深度学习技术应用到医学影像上。在分类和分割任务上,近年来的深度学习模型相比传统方法有着更好的表现。当前,影像科医生仍有较大缺口,难以应对迅速增加的数据。另一方面,医生易受主观因素和疲劳的影响,难以持续地做出一致、客观的解读。因此,研究医学图像相关的算法具有重要的应用意义。本文主要研究了以下叁方面的内容:(1)研究了迁移学习在血细胞图像分类方面的应用。通过基于模型参数的迁移,在VGG、GoogleNet和ResNet框架上进行微调,比较了不同微调方式的效果。实验对四种血细胞图像样本进行了分类,模型均为端到端的训练方式。不需要复杂的预处理和手工特征提取过程。实验结果表明,利用迁移学习能够在较有限的训练样本下获得较高的准确率,缩短了训练的时间。(2)针对已有的阿兹海默症分类3D卷积模型参数过多、计算量大,以及2D模型缺乏连续性特征的问题,提出了一种结合2D卷积神经网络与长短时记忆网络的脑部核磁共振图像分类算法。训练深度卷积生成对抗网络生成核磁共振图像,提取图像特征。为损失函数增加了正则化项,提高生成图像的清晰度,加快了卷积网络的收敛。堆迭了一个两层的长短时记忆网络模型,结合输入的特征序列与LSTM层的隐藏状态进行分类。由于叁维的核磁共振图像也可以看成一个二维图像的序列,因此可以在用卷积网络将图像序列转换为特征序列后,再用长短时记忆网络进行序列的分类。通过这种方式能够在提取二维图像特征的同时考虑时序维度上的特征,相比叁维的卷积网络减少了对内存资源的需求。实验结果表明,分类模型能够有效地用于MRI图像的分类,在正常控制组/轻度认知障碍以及正常控制组/阿兹海默症两个分类下,接收者操作特征曲线下面积均达到了0.9。(3)研究了基于U-Net网络的视网膜分割模型。分割算法中引入先验知识,加快模型的收敛。利用自动编码器,对U-Net网络进行预训练,获得与图像特征相关的先验知识。将标签图像与输入的视网膜图像进行融合后,作为新的输入数据,指导模型进行分割。(本文来源于《南华大学》期刊2019-04-01）
刘彦伯[8]（2019）在《基于肝部CT影像的医学图像纹理分析及其相关技术研究》一文中研究指出肝部局灶性病变主要包括恶性的肝细胞性肝癌(HCC)和良性的肝血管瘤(HEM),这两种病变在CT图像上十分接近,为医师的诊断产生了极大阻碍。研究表明,CT图像中蕴含着大量潜在的纹理统计规律,可以通过定量的纹理数据分析来有效鉴别这两种病变,这类研究统称为影像组学(Radiomics)研究。本研究遵循Radiomics处理体系,基于肝部CT图像进行肿瘤分割和感兴趣区域(ROI)提取,采用多种纹理分析方法从ROI中构建纹理特征,并从中选取在两样本中具有显着性差异的纹理参数,构建纹理分类模型以实现HCC和HEM的自动化鉴别诊断。具体内容如下:1.针对肝部CT影像中肿瘤分割效果不佳的问题。本文提出了一种基于共生矩阵(GLCM)的纹理聚类方法和一种基于局部二值模式(LBP)纹理的区域生长法,利用肿瘤和正常肝组织的纹理差异来进行纹理分割。与多种经典方法进行对比,本文基于GLCM的分割方法效果最优,其取得了平均91.76%的分割精确度。本文基于分割结果提取二维ROI,并对其进行体素重构得到肿瘤的叁维ROI。2.传统纹理分析方法通常是在单张CT图像上进行的,其难以表示肿瘤内部的整体纹理特性。本文提出了一种多尺度叁维共生矩阵纹理分析方法从ROI中提取叁维特征,并讨论了共生矩阵、直方图以及组合式小波变换等叁种二维纹理构造方法。基于Mann-Whitney的U检验来分析并选取在两样本中具有显着性差异的特征。结合病理学深入探讨了常用纹理参数与肝肿瘤良、恶性之间的关联。得出HCC比HEM具有更高的对比度,更低的相关性、均匀性和能量这一结论。3.针对目前HCC与HEM诊断过于依赖医师经验的问题。本文将选择出的纹理特征以单独或结合的方式组成多个纹理特征集,采用支持向量机和五倍交叉验证训练纹理分类模型。本文多尺度叁维共生矩阵特征在上述四类纹理特征中具有最优的实验效果,其模型取得了77.63%的精确度和0.8的AUC值。本文将所有选择出的特征相结合提出了一种多维度纹理特征组,该纹理分类模型取得了88.19%的精确度和0.91的AUC值,高于本文实现的Chang等人和Kumar等人的方法。4.本文基于上述研究实现了HCC与HEM辅助诊断系统,可以对输入CT序列构建ROI可视化模型,并自动化给出鉴别诊断结果。本系统可以帮助医师明确病灶范围及病灶性质,并对其早期诊断起到一定的指导作用。(本文来源于《电子科技大学》期刊2019-03-23）
邱甲军[9]（2019）在《基于纹理分析的医学图像辅助诊断关键技术研究》一文中研究指出随着医学影像技术的发展,医学图像数量大规模增加,大量医学图像在辅助医师进行疾病诊断的同时,也增加了医师的工作量。传统的影像医疗诊断中,医师主要通过观察一组二维切片图像以发现病变,这往往依赖于医师的经验,至于准确发现病灶内部的机理改变、与周围生物组织的关系等,仅仅通过观察二维切片图像是很难实现的。纹理作为数学上的一种描述属性,可以很容易地提供病灶特征的定量测量,基于纹理分析的医学图像辅助诊断是一种定量数据分析的计算机辅助诊断系统,是影像组学(或称放射组学)的主要研究内容。近年来,基于纹理特征的影像组学研究成为医学图像辅助诊断的主要方向。医学图像感兴趣区存在空间分辨率低、病灶内部结构复杂、成像有容积效应或伪影干扰等难点,因此传统的纹理分析方法对医学图像感兴趣区的定量解释是比较困难的。本文系统地分析了基于纹理分析的医学图像辅助诊断涉及的纹理增强、纹理特征提取、纹理分类等关键技术,归纳了现有相关技术在医学图像辅助诊断中的优点与不足,并结合医学图像特点提出了一些解决方法,取得了较好的成果,主要包括:1提出了一种应用于医学图像感兴趣区纹理增强的基于小波变换的分数阶微分算法。纹理增强的目标是突出灰度变化较多、较快的高频轮廓信息,并保留低频平滑信息。该算法利用小波变换分离感兴趣区的高频与低频分量,基于Grumwald-Letnikov定义构造一个带补偿参数的多方向对称增强的分数阶微分掩膜对高频分量进行卷积,小波逆变换的完美重构特性使得对变换系数(即分量)的修正能够在重组后的图像中显着表现。实验表明,该算法在增强高频轮廓信息的同时,较好地保留了低频平滑纹理信息,使感兴趣区的纹理信息更丰富、内部细节更清晰,通过对增强前后的感兴趣区进行分类实验,表明该算法对基于纹理特征分类的辅助诊断也是有益的。2提出了一种多分辨率分析和统计分析融合的多层次纹理分析理论框架,设计并实现了叁种应用于医学图像感兴趣区的纹理特征提取算法。纹理特征提取的主要目标是寻找在同类样本间具有相近性质的、稳定的描述符,并且这些描述符在不同类样本间应具有显着差异。首先,利用多分辨率分析法捕获医学图像感兴趣区中的高频细节分量(医学图像中难以在视觉上区分的病灶特征很可能蕴含于高频细节分量中,一个细节分量即一个系数矩阵);其次,对于一个细节分量,分析训练样本中该细节分量对应的系数矩阵的规则,离散化新样本中该细节分量对应的系数矩阵;最后,利用统计分析方法提取被离散化的系数矩阵中的数学描述符。本文设计并实现了叁种纹理特征提取算法:(1)一种基于线性归一化取整的多分辨率统计分析算法。该算法将系数矩阵值划分为N个等宽区间以将系数离散化。(2)一种基于最小值与最大值的多分辨率统计分析算法。该算法对于多分辨率分析中的一个特定尺度与方向的细节分量,计算训练样本中该细节分量对应的系数矩阵的最小值与最大值,基于最小值与最大值之间的N个等宽区间将系数离散化。(3)一种基于最小值均值与最大值均值的多分辨率统计分析算法。该算法对于多分辨率分析中的一个特定尺度与方向的细节分量,统计训练样本中该细节分量对应的系数矩阵的最小值均值与最大值均值,基于最小值均值将一个样本中该细节分量对应的系数矩阵进行平移,再基于最小值均值与最大值均值划分N个等宽区间以将系数离散化,并对落入N个等宽区间之外的系数进行约束。上述叁种算法均采用统计方法提取已被离散化的系数矩阵的数学描述符作为纹理特征。实验表明,所提取的纹理特征在基于纹理分析的医学图像辅助诊断中具有比传统纹理分析方法更好的性能,这些纹理特征可以潜在地增强放射科医师们的视觉诊断能力,这可能与诊断问题有关,但不一定在视觉上可见。3.提出了一种基于类别统计的多组纹理特征复合分类模型。该模型基于多分辨率分析中各个分量的统计学特点计算新样本的类别属性概率。首先,将训练样本按类别分成多组,在每组中统计各分量的系数。其次,一个新样本的系数矩阵依次按照每组统计结果执行离散化,提取已被离散化的系数矩阵的纹理特征,从而获得多组特征。对于一个新样本的多组特征,计算每组特征属于各个类别的概率,然后决策。实验表明,该模型相比于传统纹理分类模型提高了分类性能。(本文来源于《电子科技大学》期刊2019-03-15）
冯晶晶,樊亚云,邢瑞芳[10]（2019）在《基于多尺度几何分析方法的CT与MRI医学图像融合算法》一文中研究指出首先给出了多分辨分析、两尺度函数的基本概念,并讨论了多分辨分析、两尺度函数的相关性质,为多尺度分析提供了一定的理论基础。在此基础上,利用小波的时频局部性及Randon变换的一些性质,将源图像分解为一系列的子图像,再将分解后的子图像按照融合规则重构成一幅融合图像。最后给出了为达到一定逼近精度的误差界限。(本文来源于《科技视界》期刊2019年07期）
医学图像分析论文开题报告
（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：
[目的/意义]介绍深度学习的概念、发展过程以及叁种典型深度学习模型:卷积神经网络(CNN)、深度信念网络(DBN)和堆迭自动编码器(SAE),并梳理叁种模型的发展历程,对深度学习在医学图像分析中的应用研究状况进行综述。[方法/过程]通过文献调研对深度学习模型在医学图像分析领域的诸多应用进行整理,并在此基础上突出一些关键的应用领域,进而讨论深度学习基本模型存在的问题。[结果/结论 ]深度学习模型目前存在五个问题:模型结构单一、训练方式仍需改进、训练时间过长、对无标记数据添加标签、克服对抗样本,在实际工作中应提出相关解决措施。从跨组织合作、大的图像数据集、深度学习方法的进步叁个方面对深度学习在医学图像分析领域的发展前景进行展望。
（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。
医学图像分析论文参考文献
[1].刘伟.基于区域分割的伪彩色医学影像图像分析及实现[J].中央民族大学学报(自然科学版).2019
[2].黄江珊,王秀红.深度学习在医学图像分析中的应用研究综述[J].图书情报研究.2019
[3].刘锐,何先波.基于深度学习的肺部医学图像分析研究进展[J].川北医学院学报.2019
[4].钱豫立.图像增强技术在数字X射线医学影像中的应用分析[J].世界最新医学信息文摘.2019
[5].庞树茂.基于局部线性表达和深度学习的医学图像分析[D].南方医科大学.2019
[6].刘盛锋,王毅,杨鑫,雷柏英,刘立.深度学习在医学超声图像分析中的应用综述[J].Engineering.2019
[7].林颖.深度学习及在医学图像分析中的应用[D].南华大学.2019
[8].刘彦伯.基于肝部CT影像的医学图像纹理分析及其相关技术研究[D].电子科技大学.2019
[9].邱甲军.基于纹理分析的医学图像辅助诊断关键技术研究[D].电子科技大学.2019
[10].冯晶晶,樊亚云,邢瑞芳.基于多尺度几何分析方法的CT与MRI医学图像融合算法[J].科技视界.2019