5个研究背景和意义示例,教你写计算机CT影像论文

今天分享的是关于CT影像的5篇计算机毕业论文范文, 如果你的论文涉及到CT影像等主题,本文能够帮助到你

云端肝脏手术规划系统的设计与实现

这是一篇关于CT影像,B/S架构,网络通信,手术规划系统,肝脏分割,肝脏模拟切除的论文, 主要内容为肝癌是世界上致死率最高的癌症之一,其最有效的治疗方式是肝移植或手术切除。在传统的肝切除手术中,医生大多需要依靠断层切片影像和个人经验为病人进行手术。随着医学影像技术的飞速发展,基于计算机辅助技术的肝脏手术规划系统已经能够帮助医生在实施肝肿瘤切除手术之前,为患者制定个性化、安全合理的手术方案,降低手术风险,提高手术成功率。目前的肝脏手术规划系统大都是本地化的软件,其购买成本高,学习周期长,使用时受场地条件限制。随着互联网技术的发展,B/S架构成为一种新的软件架构,它的出现为实现医学图像处理系统从本地化转到云端化提供了方向。该架构将肝脏手术规划系统的数据存储、高性能计算等环节迁移到服务器端,可以实现多人同时操作、随时随地使用,降低以往手术规划系统较高的使用门槛,从而弥补前述本地化手术规划系统的不足。基于此,本文提出了一种云端肝脏手术规划系统。本文的工作主要包括以下几点:一是结合B/S框架医学图像处理云平台的组成结构,即Web服务器、数据服务器和计算服务器,分析了云端肝脏手术规划系统的网络通信需求和功能需求,按照模块化思路设计了系统的整体框架,设定了系统各个模块的功能。二是使用基于WebSocket的网络通讯协议,搭建了系统与Web服务器之间、系统与数据服务器之间的网络通信通道,成功实现了系统的云端化。三是实现了系统的云端肝脏分割、云端三维可视化、云端肝脏模拟切除等功能,完成了本文设计的云端肝脏手术规划系统的整体搭建。四是通过与医院中使用的商业化软件计算结果进行对比,以及对系统交互帧率、资源占用、多开实例数量等方面进行测试,验证了本文实现的云端肝脏手术规划系统基本可以满足设计时提出的各方面需求。

基于改进U-Net的肝脏及肝肿瘤CT影像分割

这是一篇关于CT影像,肝肿瘤分割,U-Net,注意力机制的论文, 主要内容为肝脏是人体五脏器官之一,也是肿瘤易发部位之一,每年都有大量因患肝癌而亡的患者。计算机断层扫描(Computed Tomography,CT)可以清晰地展现人体腹部内肝肿瘤的大小、数量以及边界等信息,是当前诊断肝癌的常用手段。肝切除手术是治疗肝癌的首选手段,术前快速且准确地从CT影像中分割出肝肿瘤,将有助于医生更直观地了解病灶,从而降低手术中存在的风险,提高手术成功率。但是传统的人工勾画病灶是一项极其耗时的工作,且分割准确率十分依赖于医生所具备的临床经验。近几年,随着深度学习技术的快速发展,已实现医学影像自动分割,尤其是全卷积网络(Fully Convolutional Network,FCN)和U-Net网络的出现,在医学影像分割任务中取得了较好的结果,但仍有改进的空间。为了提高肝脏及肝肿瘤CT影像分割的准确率,本文基于U-Net网络进行改进,做了以下研究工作:(1)针对U-Net网络结构中,跳跃连接所存在的语义鸿沟问题,本文提出了基于残差机制、密集连接机制的多尺度融合注意力U-Net肝脏分割网络—RAD-UNet。该网络通过设计多尺度融合注意力模块,将浅层网络中更多有意义的特征传递给深层网络,缩小浅层与深层网络之间的语义距离。通过在编码和解码过程中,分别使用残差块与稠密块,以提高网络肝脏分割的性能,避免发生网络退化以及梯度消失。本文在LiTS2017、3Dircadb-01以及河北大学附属医院采集的临床数据集上对RAD-UNet进行测试,其肝脏分割Dice系数分别达到了96.3%、95.47%、95.88%,验证了该网络的可行性与有效性。(2)针对U-Net网络编码过程中,最大池化在进行特征降维时造成的信息损失问题,本文提出了基于多尺度融合注意力、空洞卷积的U-Net肝肿瘤分割网络—ADC-UNet。该网络通过设计一个简单的下采样模块,使其具备与最大池化相同的降维功能,但不会产生信息丢失。ADC-UNet的跳跃连接处采用与RAD-UNet网络中相似的多尺度融合注意力模块,区别在于,此时对融合后的特征同时进行通道和空间这两个维度的筛选,并将筛选后的特征再次融合传递至深层网络,以此来缩小网络间的语义差距。然后,通过在U-Net网络的编码和解码过程中引入空洞卷积,从而在不增加网络参数量的条件下,扩大网络感受野,促进网络对局部及全局特征的提取。最后通过添加Dropout层以防止网络过拟合。本文在LiTS2017、3Dircadb-01以及河北大学附属医院采集的临床数据集上对ADC-UNet进行测试,其肝肿瘤分割Dice系数分别达到了74.2%、73.7%、73.26%,验证了该网络的可行性与有效性。

基于深度学习的CT影像肝肿瘤分割方法研究

这是一篇关于肝脏和肿瘤,深度学习,模型轻量化,多尺度特征,CT影像的论文, 主要内容为肝癌的致死率在癌症中位居前列,严重威胁着人体健康。在临床应用中,CT是医生进行肝癌诊断的常用方式之一,从CT影像中对肝脏和肿瘤区域的精准分割,对疾病的诊断和预后治疗具有重要的研究价值。传统分割算法多依赖于先验知识,不利于临床应用中的自动化扩展。近年来,深度卷积神经网络(Deep Convolutional NeuralNetwork,DCNN)被广泛应用在肝肿瘤分割任务上,通过局部感知和参数共享的特性,让模型能够从大量样本中有效学习到目标特征。由于肝脏和肿瘤区域在CT影像中存在边缘模糊、对比度低等问题,目前CT影像肝肿瘤分割任务仍面临挑战。本文针对已有工作存在的不足,研究了两种新的改进方法,并进行了应用系统的开发。具体地,本文工作主要包含如下三个方面:1)致力于DCNN在分割精度方面的提升,提出了条纹池化及注意力特征融合网络(Strip Pooling-Attention and Fusion Block,SP-AFBNet)。该模型基于U-Net改进,将条纹池化模块代替编码区的常规卷积,通过堆叠扁平状卷积的设计方式扩大网络的局部感受野。在SP-AFBNet的跳转连接层,加入多尺度特征融合和通道注意力机制,缓解不同尺度间特征信息的不均衡问题和加强特征通道间的相关性。最终结果表明,与其它先进算法相比,本文方法在CT图像肝脏和肿瘤分割任务中取得更好的度量结果。2)针对肝肿瘤分割模型计算复杂度高、推断延迟高等问题,提出了轻量化网络LW-Mnet。将改善后的MobileNetv3作为LW-Mnet的骨干网络,该模块由深度可分离卷积和non-local模块组成,前者是模型轻量化的核心,后者通过计算任意两个单位间相似度对特征加权,捕捉全局上下文长依赖信息。为了帮助模型学习多尺度间特征信息,对空洞空间卷积池化金字塔在轻量化方面进行改进,作为LW-Mnet的跳跃连接层。模型的解码部分由ShuffleNetv1基本模块构成,提取主要特征和恢复特征图分辨率。实验结果证明,LW-Mnet无论是在分割精度还是轻量化方面,都要优于其它对比方法。3)为了能将研究成果落地,基于以上工作设计开发了一个智能肝肿瘤分割辅助诊断平台。平台前后端分别基于Vue和Django框架实现,服务于临床医生和患者。患者可以在平台提交问诊表单,上传自己的肝脏CT影像,医生借助平台的肝肿瘤自动分割功能对患病表单完成诊断。在线肝癌问诊平台的搭建可以有效地降低患者的问诊成本,提高医生的诊断效率。

基于CT影像的非小细胞肺癌亚型分类深度学习方法研究

这是一篇关于非小细胞肺癌亚型分类,CT影像,深度学习,多视图,循环神经网络的论文, 主要内容为非小细胞肺癌严重威胁人类的生命健康,其最常见的两种组织亚型肺腺癌与肺鳞癌在治疗方案、生存时间等方面存在显著差异。利用CT影像进行无创的非小细胞肺癌亚型分类,能够帮助医生制定针对的治疗方案,进而延长患者的生存时间,具有巨大的研究意义和应用价值。近年来,深度学习技术已经有效应用于肺癌亚型分类任务中,但如何从CT影像中充分且高效地提取肿瘤特征并减少背景噪声干扰仍待解决。本文提出了多种新颖的深度学习方法,深入挖掘CT影像多视图、多切片中蕴含的丰富肿瘤形态结构信息以及连续切片中蕴含的空间相关性信息,同时有效分离肿瘤信息与背景噪声,进而实现更加准确的非小细胞肺癌亚型分类。具体研究内容如下:(1)针对肿瘤信息利用不充分以及背景信息干扰等问题,提出了一种基于多视图特征分解的非小细胞肺癌亚型分类方法MVFD-Net。该方法使用CT影像轴向、矢状和冠状视图的肿瘤图像作为多视图输入,以全面考虑不同视图中包含的肿瘤信息。为了分离多视图特征中的背景信息,设计了一种特征分解模块,通过注意力机制来分解代表肿瘤信息的多视图共有特征和代表背景环境信息的多视图特有特征,并提出了多视图交叉重建损失函数以保证特征分解的有效性,以及多视图特征相似性损失函数来进一步增强多视图共有特征的相似性。本文比较了 MVFD-Net和现有方法的分类性能,结果表明此方法具有出色的非小细胞肺癌亚型分类能力并显著优于其他方法。(2)为了充分挖掘不同视图、不同切片中包含的肿瘤形态结构信息,在上述研究基础上,本文进一步提出了一种基于多视图多切片的非小细胞肺癌亚型分类方法MVMS-Net。该方法首先从CT影像多个视图的肿瘤中心切片以及多张相邻切片中提取特征,并通过特征分解和多种损失函数的设计来分离不同切片中的背景信息。为了充分捕捉连续切片中蕴含的空间相关性信息,本文还设计了一种基于循环神经网络的加权多切片融合模块,促使网络学习更具辨别力的特征表示。实验结果表明,MVMS-Net能够准确区分肺腺癌和肺鳞癌,进一步提升了非小细胞肺癌亚型分类性能。