卷積神經網絡在CT圖像分割中的應用研究.pdf

1、如今的醫(yī)學領域中對疾病診斷的新工具層出不窮，基于醫(yī)學數(shù)字圖像的研究蔚然成風。數(shù)字成像設備的革新和醫(yī)學圖像處理方法的不斷創(chuàng)新背景下，醫(yī)學數(shù)字圖像作為能夠反映人體器官和組織的內部信息的載體發(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)對疾病進行診斷和對疾病的相關信息進行深度挖掘是如今醫(yī)學圖像處理與分析范疇內一直研究的難點和重點。醫(yī)學數(shù)字圖像分割技術的研究是當前圖像處理領域中的重要部分，也對圖像處理的其他方面的研究打

2、下了堅實的基礎。很多圖像分割方法經過長時間的研究已經逐漸成熟，在醫(yī)學數(shù)字圖像領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。深度學習網絡的出現(xiàn)給圖像分割技術的發(fā)展注入了新的活力，基于深度學習的分割算法成為了專家學者新的研究方向。
　　本文通過對深度學習中卷積神經網絡模型的改進對肺部CT圖像和腦部CT圖像數(shù)據(jù)進行分割方面的相關應用研究。在文章的開始對醫(yī)學CT圖像對疾病診斷的重要性和傳統(tǒng)圖像分割方法進行了分析，強調了

3、基于卷積神經網絡對CT圖像分割的必要性和可行性。其次結合基于模糊隸屬度概率方法對LeNet-5卷積神經網絡模型進行改進并在這個基礎上對肺部CT圖像進行分割，取得了良好的分割效果。最后，在腦部CT圖像數(shù)據(jù)的基礎上，通過自己設計的神經網絡結構對其進行了分割，也取得很好的效果，證實了改進的卷積神經網絡在腦部CT圖像分割上的可行性。具體研究內容如下：
　　1．在肺部CT圖像分割中，首先結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、質進行了提?。蝗缓笤诜螌嵸|圖像patch基礎上結合模糊隸屬度方法對傳統(tǒng)卷積神經網絡結構的輸出層進行改進并訓練其參數(shù)；最后通過訓練好的卷積神經網絡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)學算法對腦部CT圖像中的軟組織部分進行了提取；然后通過設置卷積神經網絡的層數(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)等設計新的卷積神經網絡結構用于腦部CT圖像分割并訓練其參數(shù)；最后通過訓練好的卷積神