一、基于主动形状模型实现医学图像中的物体(脊柱)定位(英文)（论文文献综述）
武玉欣[1]（2021）在《基于深度学习的LDH自动诊断系统研究与开发》文中指出目前,腰椎间盘突出症的诊断依靠医生主观判断,诊断结果的准确性会受到医生经验及知识水平的限制和影响。因此,实现腰椎间盘突出症的自动诊断具有重要的意义。本文在阅读大量脊柱疾病诊断技术相关文献的基础上,研究并开发了一套基于深度学习的腰椎间盘突出症自动诊断系统。针对椎间盘退变程度、突出位置及大小,实现了 Pfirrmann分级诊断模型和MSU分型诊断模型,并构建了腰椎间盘突出症自动诊断系统为患者及医生提供诊断依据与就诊意见。椎间盘退变是导致腰椎间盘突出的主要原因,Pfirrmann分级用于评价椎间盘的退变程度。首先为了提取感兴趣区域,即椎间盘图像,利用ResNet算法对矢状图椎间盘及椎体中心点定位;为了避免定位错误的情况出现,结合脊柱解剖学先验知识提出了椎间盘与椎体中心点定位约束,并提出了迭代修正算法得到定位正确的中心点坐标;基于此裁剪椎间盘图像送入Pfirrmann分级分类器中,得到Pfirrmann分级诊断结果。针对椎间盘突出大小及位置判断,即MSU分型诊断,基于中心点坐标裁剪椎间盘及椎管部分图像,进行突出诊断得到突出椎间盘;为了得到诊断MSU分型的辅助线,基于ResNet算法对轴状图关键点定位;为了提高定位准确率,修正定位错误的结果,结合脊柱空间几何关系提出了关键点定位约束条件,并提出关键点迭代修正算法修正定位错误的坐标;基于U-Net网络设计了椎间盘及突出分割算法,以此得到突出位置,并判断其与辅助线间的位置关系,得到MSU分型诊断结果。最后设计并开发了腰椎间盘突出症自动诊断系统。系统采用SpringBoot技术框架,使用Thymeleaf模板引擎,结合Flask进行深度学习模型的部署,开发了B/S模式的应用架构。利用多线程的方式处理医生即时诊断与后台数据队列读取、诊断的情况,结合实际病例验证了系统的高效性与可行性。
潘熙文[2]（2021）在《基于卷积神经网络的肿瘤医学图像分割和检测方法研究》文中研究说明癌症是全球主要的公共健康问题,且有发展成为人类死亡主要原因的趋势。医学图像作为医学领域常用的治疗及检测治疗反应的方法,已经成为临床上对癌症诊疗的主要技术手段。随着医疗技术的进步,医学图像的生成效率提升了,但传统图像处理方法的局限性导致自动化医学图像处理效率和精度都有待提升。卷积神经网络对自然图像处理的优势使得其在医学领域的应用备受关注。使用卷积神经网络处理医学图像可以提升处理效率和处理精度。本文针对肝脏和循环肿瘤细胞医学图像开展研究,以卷积神经网络为基础分别提出了基于联合损失函数的肝脏医学图像分割方案和特征尺度扩展的循环肿瘤细胞检测方案。具体内容如下:1)对基于卷积神经网络的医学图像处理现状进行了综述。首先对医学图像特征及其处理难点进行了分析,然后对传统医学图像处理和基于深度学习的医学图像处理进行了综述。最后分别阐述了基于卷积神经网络的医学图像分割和检测研究现状,并指出了现有医学图像分割和检测研究中的不足之处,明确本论文的研究动机。2)针对现有卷积神经网络在肝脏医学图像分割任务中对肝脏轮廓分割不精准,对小目标区域分割效果差的问题,本文提出了一种基于联合损失函数的肝脏医学图像分割方案。首先,为了提升网络对物体边缘及小区域的分割性能,将基于距离的损失函数和基于区域的损失函数相结合,提出了基于联合损失函数的肝脏医学图像分割网络。接着,为了使联合损失函数发挥最佳效果,对联合损失函数中的权重进行了讨论,并根据两种损失函数的特点提出了一种两阶段的训练策略。最后通过实验验证了本文提出的方法。提出的联合损失函数在两个公开数据集上对肝脏分割准确率提升了 1.2%和1.9%,对肿瘤的分割准确率提升了 6.5%和5.9%。提出的训练策略分别提升肝脏分割准确率1.4%和1.1%,提升肿瘤分割准确率2.2%和4.9%。在与相关研究比较中,本文的结果最优。3)针对循环肿瘤细胞检测快速准确的要求,本文提出了一种特征尺度扩展的循环肿瘤细胞检测方案。首先,为了丰富细胞核图像特征,提出了融合信号点分布特征的细胞核分割方法。然后,为了提升信号点检测的速度以及准确率,提出了YOLO-V3-MobileNetL信号点检测方法。最后基于提出的细胞核分割和信号点检测方法,设计了自动化的循环肿瘤细胞检测流程。本文通过实验验证了本文提出的方案较原有方案更优,整体的检测准确率提升3.15%,检测速度提升了 20%。
张辰翰[3]（2021）在《基于深度学习的脊柱CT图像分割》文中提出脊柱分割是脊柱图像定量分析中的关键组成部分,一个好的椎骨分割结果有助于计算机医学辅助系统的使用,并为后续脊柱医学任务打下坚实的基础,因此研究脊柱椎骨的分割方法具有重要意义。然而传统的医学图像分割技术已经不能满足当前医学发展需求,正逐渐转向使用基于数据驱动的分割方法,其中深度学习技术就是方法之一。它从大量的医学图像中提取关键信息,最终得到准确度高于其他分割方法的结果,目前已成为主流医学图像分割方法。本文分别基于2D和3D卷积的深度学习脊柱分割算法进行研究,并针对当前医学图像分割模型的不足进行改进,最终分别得到分割精度和模型参数性能表现优异的2D和3D椎骨分割模型。而且针对医学图像分割任务中数据标注困难的问题,本文通过构建基于半监督学习的椎骨分割框架,在使用少量标注数据的情况下就可以获取较好分割结果。本文工作的具体描述如下:（1）本文基于U-net分割模型提出改进的椎骨分割模型DAU-net,有效提升分割精度和降低模型参数量。由于U-net存在特征提取能力不足,和对多尺度特征利用不充分的问题,本文提出一种改进的分割模型DAU-net,该模型在特征提取模块和解码器的分支结构都进行改进。实验证明,从椎骨的分割结果看,改进后的分割模型与U-net相比有5%左右的精度提升;从模型的参数性能上看,DAU-net在所有实验模型中也处于领先位置,因此验证了本文方法的有效性。（2）本文提出一种轻量化3D卷积操作方法,结合改进的椎骨体素数据预处理方法,将本文提出的DAU-net扩展至3D模型对脊柱L1-L5区域进行多分类的细分割任务,有效提升椎骨分割精度的同时解决3D卷积模型参数量大,训练效率低下的问题。该方法将脊柱体素数据在平面方向和空间方向分别进行卷积操作,提取各自方向上的特征后,将两个方向上的特征图进行融合,有效降低常规3D卷积操作的计算参数量。此外,受当前先进分割方法的启发,本文对椎骨数据集的预处理方法进行改进以提高数据集的质量。实验证明,改进的3D DAU-net在分割精度上得到有效提升,并且在模型参数量中相比较其他3D分割模型的参数量减少50%以上,解决了3D模型训练困难的问题。（3）通过构建一种基于半监督学习的椎骨分割框架,来减少人工标注成本。尽管上述监督学习方法得到了良好的分割结果,但普遍依赖于高质量的标注数据。然而在现实情况中对医学图像的标注需要耗费高额人工以及时间成本。针对此问题,本文提出一种基于半监督学习的椎骨分割框架,这是首次在椎骨分割中使用半监督学习。可以在使用少量标注数据的条件下,取得监督学习的分割结果。实验对比后发现,本文基于半监督学习方法与监督学习方法的分割结果基本一致,并在数据标注量为总体的40%情况下,半监督学习方法的分割结果高于监督学习约0.4%左右,因此验证了本文提出的半监督学习椎骨分割方法的有效性。
刘寰[4]（2020）在《基于增强现实技术的微创脊柱外科手术引导系统的创新设计与应用研究》文中认为研究背景手术的数字化,微创化与智能化是现代外科技术的重要发展方向,也是先进外科技术的重要标志。微创脊柱外科（Minimally Invasive Spine Surgery,MISS）技术可以在保证手术效果与传统开放手术无明显差别的前提下以最小的组织损伤与功能破坏完成手术操作并加速患者术后康复,较传统手术方式具有显着优势包括减少手术导致的组织损伤、可计量的临床收益如减少出血量、降低手术死亡率、减轻术后镇痛依赖、缩短住院时间和更早期功能锻炼等、临床效果的确切性即手术效果应与传统开放手术效果无明显差别以及具有良好的社会经济学效应。经过数十年的发展,MISS技术已经风靡全球。然而,对于低年资医生来说,在MISS技术的学习过程中,特别是对手术方式和手术器械熟练过程中,其学习曲线是非常陡峭的,而且在此学习过程中,手术并发症的发生率也相对较高。数字手术导航技术,快速成型技术,手术机器人技术,交叉现实技术等,是数字微创脊柱外科（Digital Minimally Invasive Spine Surgery,DMISS）领域的几个重大分支领域,其中交叉现实技术领域是现阶段最热门的科学研究方向之一。交叉现实技术（X-Reality,XR）,是一个长远的、具有包含性与扩展性的概念,是各类虚拟世界与现实世界交互技术的总称,包括现如今提出的虚拟现实（Virtual Reality,VR）、增强现实（Augmented Reality,AR）、混合现实（Mixed Reality,MR）技术和影像现实（Cinematic Reality,CR）技术,以及未来可能提出的其他全新的虚拟与现实交互技术。AR技术,是指透过摄影机视频的位置及角度精算并加上图像分析技术,让显示系统上的虚拟世界能够与现实世界场景进行结合与交互的技术。AR技术是目前在脊柱外科领域应用较为有意义的技术,而且由于该项技术是根据现实世界的信息生成虚拟世界,因此对于复杂多变的手术过程具有一定的意义,特别是在引导手术操作上,和手术导航系统有着异曲同工之妙。经皮椎弓根螺钉置入是MISS中最常见的手术操作之一,该操作的优点是能以最微创的方式对椎体进行椎弓根螺钉固定,减少椎旁肌肉损伤,减少术中出血,降低术后疼痛,缩短手术时间和住院时间,极大地有利于患者术后康复。但是,该技术极大的依赖术中医学影像的引导作用,通常是在术中X线正侧位的引导下进行操作,其操作时间往往较长。本研究拟以经皮椎弓根螺钉置入这种最常见的MISS手术操作为实验手术方式,将AR技术应用在MISS手术操作的引导当中,创新性设计开发出基于AR技术的MISS手术引导系统,并通过实验检测基于AR技术的MISS手术引导系统的可行性。材料与方法第一部分选用Microsoft HoloLens作为AR技术的部署设备,建立基于x86架构的PC工作站,在工作站上部署相应开发软件;注册成为Vuforia Augmented Reality开发者;在Target Manager定义数据库;生成一张非对称的具有高对比度的正方形黑白色图像;在Vuforia Developer Portal中将黑白色图像添加到数据库中,类型为Single Image Target,起名为test;通过Unity创建AR场景,将Vuforia数据库导入场景,添加Vuforia Image Target,添加文字“HelloWorld”并附属于该Image Target,并生成C#项目;通过Visual Studio 2017打开生成的C#项目,生成解决方案,并部署到Microsoft HoloLens;使用打印机打印名为test的Image Target图案,启动Microsoft HoloLens中部署的HelloWorld应用程序,双目注视打印的test图案。第二部分取符合人体解剖结构大小的腰椎塑骨1个,将其放置在方形塑料容器中;使用克氏针固定;配制浓度为6%的琼脂凝胶溶液,充分加热溶液使其完全溶解倒入固定有塑骨的容器中,自然冷却凝固;建立合适大小的立方体,输出为标准曲面细分语言（Standard Tessellation Language,STL）格式模型文件;打开STL格式模型文件进行切片,完成后输出为G-Code格式,对G-Code模型进行3D打印;打印预设好的Vuforia Image Target,粘贴在3D打印好的立方体模型上;选用平整光滑的木板作为固定板,将完成的凝胶塑骨模型倒置在固定板的正中,使用克氏针固定;将贴好Vuforia Image Target贴纸的立方体模型放置在凝胶塑骨模型表面,使用克氏针固定;对模型进行计算机断层扫描（Computed Tomography,CT）,将扫描获得的医学数字成像和通信（Digital Imaging and Communications in Medicine,DICOM）图像数据刻录光盘保存;读取光盘中的DICOMDIR图像目录文件;对模型构建三维Mask蒙版,使用Crop Mask功能进行粗略的裁剪;使用Edit Masks中的Erase曲线擦除工具,进行精细裁剪;使用Calculate Part工具来计算获得每部分的3D模型;使用Smooth工具进行表面平滑处理;将模型进行Remesh网格重构,并模型单独导出为STL格式文件;将每部分导出为Autodesk FBX格式以便后续开发使用;在Unity中导入Autodesk FBX模型、Vuforia Image Target数据库,建立合适的AR场景,编译并生成C#解决方案,将生成的解决方案部署到Microsoft HoloLens上;在Microsoft HoloLens上启动部署的应用程序;操作者佩戴Microsoft HoloLens,在设备上启动AR手术引导系统,将视野对准凝胶塑骨模型表面的立方体追踪模块,即可看到凝胶塑骨模型内部的腰椎塑骨结构。操作者将在AR手术引导系统的引导下,分别对5个椎体的左右两侧椎弓根内打入共10根克氏针。当所有10根克氏针置入结束后,将模型再次进行CT扫描,将获取到的CT结果在影像诊断工作站上进行分析。将每个克氏针相对椎弓根的位置进行分类并计数:克氏针完全在椎弓根内部;克氏针紧贴椎弓根外壁;克氏针紧贴椎弓根内壁;克氏针穿透或完全偏离椎弓根。其中除克氏针穿透或完全偏离椎弓根为不安全的操作,其余操作均符合安全标准。第三部分将12个腰椎塑骨完全包埋在不透明的琼脂凝胶中,使其完全冷却硬化,并将铸造完成的凝胶塑骨模型固定于木质固定板上,将贴有Vuforia Image Target图案的立方体追踪模块使用克氏针固定。共构建12个完全相同的凝胶塑骨模型。对固定有立方体追踪模块的12个凝胶塑骨模型进行CT扫描,将扫描获取的DICOM数据分别刻录光盘后,导入AR开发工作站。在工作站上对模型进行快速建模,后处理和修整后,导出为STL格式。将STL格式进项转换后,将获取到的模型导入Unity编译带有自动配准功能的AR手术引导系统。我们将铸造完成的12个模型分为2组,其中8个使用AR手术引导系统对椎弓根螺钉置入操作进行引导（AR组）,另外4个使用传统的X线正侧位对椎弓根螺钉置入操作进行引导（X线组）。AR组再分为2个亚组,其中4个使用自动配准的AR手术引导系统对椎弓根螺钉置入操作进行引导（自动AR组）,另外4个使用手动配准的AR手术引导系统对椎弓根螺钉置入操作进行引导（手动AR组）。本次椎弓根螺钉置入的实际操作将使用带有穿刺套筒的克氏针置入进行模拟。2位操作者佩戴Microsoft HoloLens,启动AR手术引导系统,将视野对准凝胶塑骨模型表面的立方体追踪模块,即可看到凝胶塑骨模型内部的骨骼结构。2位操作者将在具有自动配准功能的AR手术引导系统的引导下,各自分别对AR组2个模型共计10个椎体的左右两侧椎弓根内打入20根克氏针。2位操作者将手动调整视野中的虚拟的凝胶塑骨模型的位置,尺寸和方向,使视野中的虚拟的凝胶塑骨模型表面的立方体追踪模块与现实世界中的凝胶塑骨模型表面的立方体追踪模块完全重合,在具有手动配准功能的AR手术引导系统的引导下,各自分别对2个模型共计10个椎体的左右两侧椎弓根内打入20根克氏针。完成AR引导的椎弓根螺钉置入操作后,2位操作者将在X线正侧位的引导下,各自分别对X线组2个模型共计10个椎体的左右两侧椎弓根内打入20根克氏针。操作者首先使用穿刺套筒接触到骨面,再将克氏针打入椎弓根内,并同时记录每次操作的时间。当2位操作者的所有克氏针置入操作结束后,将所有模型再次进行CT扫描,将获取到的CT结果在影像诊断工作站上进行分析。沿每个克氏针的穿刺路径,生成直径6.5 mm的模拟的椎弓根螺钉。两位经验丰富的影像诊断医师将模拟的椎弓根螺钉相对椎弓根的位置进行分级并计数:1级,椎弓根螺钉未穿透椎弓根壁;2级,椎弓根螺钉穿透椎弓根骨皮质,但不超过2 mm;3级,椎弓根螺钉穿透椎弓根骨皮质超过2 mm。两位影像医师对椎弓根螺钉置入的引导方式和相应的操作者均不知晓。我们将符合1级和2级的模拟的椎弓根螺钉置入认定为符合安全要求,而3级则不符合安全要求。根据获得的数据进行统计处理。结果第一部分用于AR开发的工作站装配成功,所有开发相关软件部署成功;在Microsoft HoloLens中成功运行部署的应用程序后,当佩戴者面对打印有名为test的Image Target图案的白色纸张时,随即浮现出“Hello World”英文字符,且在不同角度查看该图案时,“Hello World”字符也会随着查看的角度改变而改变显示角度;当视野离开该图案时,文字随即消失;当视野中再次出现该图案时,文字再次出现。第二部分成功铸造凝胶塑骨模型,且成功完成数字化凝胶塑骨模型的构造和后处理,将该模型用于构建AR自动配准功能中;使用开发完成的AR自动配准功能,可以使佩戴者在Microsoft HoloLens的视野对准凝胶模型时,在视野中清晰地看到凝胶模型中的内部骨骼结构,且随着佩戴者视角的改变,视野中所看到的凝胶模型内部的骨骼结构的显示也跟随发生改变。在启用自动配准技术的AR手术引导系统下手术者可以看到凝胶塑骨模型内部的骨骼结构,并根据骨骼结构的位置进行了10根克氏针的置入椎弓根的操作。根据操作后的CT扫描结果,其不同分类和计数如下:克氏针完全在椎弓根内部n=5;克氏针紧贴椎弓根外壁n=1;克氏针紧贴椎弓根内壁n=2;克氏针穿透或完全偏离椎弓根n=2。符合安全标准的操作次数共计8次。第三部分两位操作者在使用自动配准功能和手动配准功能的AR手术引导系统的引导下各自完成了40例椎弓根螺钉置入,在X线正侧位引导下各自完成了20例椎弓根螺钉置入,差异有统计学意义对两种引导方式引;对两种引导方式引导的椎弓根螺钉置入操作的导的椎弓根螺钉置入操作的精度进行卡方检验安=全0.0性0进0<行0卡.0方5,其检验,手术=0引.1导06系>统0的.05引,其差异不具有统计导下各自完成了40学意义例使用椎;弓根螺钉置入两位操作者在,对两种不同配准方式的两种不同配准方式的AR其差异不具有统计学意义AR手术引导系统的引导的;椎弓根螺钉置入操作的精度进行卡方检验对两种不同配准方式的AR手术引导系统,的引=导0.5的2椎6>弓0根.0螺5,钉置入操作的安全性进行卡方检验用Wilcoxon秩和检验对两种不同配,准方=式0.的64 4AR>0手.0术5,其差异不具有统计学意义引导系统引导的椎弓根螺钉;使置入操作所耗费的用Wilcoxon时间的差异性进行检验秩和检验对两种不同的引,导方=式0.引00导81的<椎0弓.0根5,差异具有统计学意义螺钉置入操作所耗费的;使时间的差结异论性进行检验,=0.0000<0.05,差异具有统计学意义。结论1.使用Microsoft HoloLens作为AR手术引导系统的技术实现载体是可行的;2.在基于凝胶塑骨模型的实验条件下,使用AR手术引导系统引导经皮椎弓根螺钉置入操作具有一定的可行性,且符合临床安全性的要求;3.在基于凝胶塑骨模型的实验条件下,使用自动配准功能的AR手术引导系统,比使用手动配准功能的AR手术引导系统更具有高效性。
王浩[5]（2020）在《脊柱手术影像辅助应用中关键技术的研究与实践》文中进行了进一步梳理脊柱侧凸是一种较为常见的骨科疾病,易发于青少年人群。脊柱侧凸病症轻则影响身体协调和美观性,重则会影响婴幼儿及青少年的生长发育,甚至影响心肺功能,造成严重的并发症。严重的脊柱侧凸患者需要接受手术矫正治疗,然而手术治疗存在着较高的难度和风险,医生需要在术前对患者脊柱的形态进行仔细观察和测量,从而正确地判断患者的脊柱侧凸类型和畸形严重程度,制定合理的手术方案。当前,大多数医生在进行脊柱侧凸矫正手术的方案设计时,还在使用传统的二维CT或者X光片进行观察和测量,然后结合自身经验来制定手术方案。但是脊柱侧凸是一种三维空间下的脊柱畸形病症,因此基于二维图像的传统观察和测量方法直观性较差,并且耗费时间和精力,影响医生对患者真实情况的准确判断。所以,脊柱手术领域需要一种可以在三维空间下辅助观察和测量的工具。虽然当今有部分软件系统可以利用CT切片图重建患者的脊柱三维模型,以直观的方式观察脊柱,但这些软件通常是非专业软件,其为脊柱手术医生提供的特定的功能很少,且对于相关专业医生来说操作复杂,不利于大范围使用;而一些专业的软件往往会跟设备配套出售,价格昂贵,使用成本高。基于这样的背景,作者所在项目组决定为脊柱矫正手术提供一个专门的,包含重建、测量和模拟于一体的脊柱手术辅助测量系统,以帮助医生快速地制定合理的手术方案。目前此系统的关键功能已经基本具备,而本文对系统中涉及医学图像与三维模型分析的关键技术进行了研究,结合传统的图像处理方法和前沿的深度学习等技术,针对椎骨分割、识别和脊柱模拟矫正等方面提出了一些新的自动化的方法并成功应用到了系统中,本文的主要工作如下:（1）研究了连续的脊柱CT切片中椎骨区域的面积变化规律,提出了一种通过寻找极大特征点的方式定位正常椎骨图像序列中的椎骨分割点,然后从切片中提取单块椎骨图像并进行三维重建的椎骨分割方法。（2）基于参数样条曲线,通过将分割好的连续的单块椎骨模型拟合成一条光滑的脊柱曲线,然后通过计算,不断修正弯曲的脊柱曲线使相应的畸形脊柱形态逐渐趋于正常,实现了一种弯曲脊柱模拟自动矫正的方法。（3）通过提取单块椎骨模型中的空间点生成了椎骨点云数据,然后利用一种改进的Point Net网络对椎骨点云进行学习并自动分割其中的椎弓根,实现了一种自动识别定位椎弓根并生成椎弓根轮廓的方法。（4）提出了一种名为RNNin Caps的改进的胶囊网络,使其可以应用于三维椎骨图像的识别,获得高于原始胶囊网络的准确率。改进的网络的识别效果能够达到甚至在某些方面超过传统CNN网络。
邵婧雯[6]（2020）在《基于深度学习和空间关系推理的脊柱定位方法研究》文中研究说明随着医疗可视化的进步,医学图像的发展为临床诊断带来了巨大便利,同时计算机视觉在医疗图像上的应用也越来越广泛,具有重要研究意义和价值。目前,脊柱疾病在人群里越来越广泛,而磁共振成像对脊柱疾病的临床诊断在显示效果方面比其他方法更好。脊柱图像的处理中,椎间盘的定位和标注是当前研究的重点,传统的手动定位标注方法较为耗时,同时具有一定的错误率,因此利用计算机进行辅助诊断具有重要意义。当前脊柱图像相关的定位标注方法都有一些不足之处,都是针对特定的形态、图像序列或参数设置进行训练,不具有通用性。因此,本文基于深度学习和空间推理,对脊柱的定位标注的新方法进行研究,以实现对任意位置、以及局部或者全局图像的椎间盘进行定位和标注。首先,使用RefineDet目标检测算法对脊柱核磁共振图像（MRI）进行定位检测,得到椎间盘的初始位置,引入椎间盘高级解剖约束,对初始位置进行筛选,得到了精确的椎间盘位置集合。其次,根据空间推理知识,对相邻位置的每三个椎间盘进行建模,并训练得到21个邻近椎间盘空间关系模型。最后,根据精确的椎间盘位置集合和邻近椎间盘空间关系模型,提出椎间盘空间关系迭代推理算法并进行迭代匹配,选择最优匹配,并对椎间盘进行标注。本文的主要研究工作如下:1.对椎间盘进行精确初始定位利用深度学习方法进行图像特征底层提取和目标识别,得到椎间盘所有的候选位置,形成一个相应的候选集合。并且提出了评分约束算法,对候选集合进行筛选,消除错误检测,最终得到精确的椎间盘的位置集合。2.提出邻近椎间盘空间关系模型基于人体脊柱的几何结构以及解剖学结构,对位置相邻的三个椎间盘的外观和局部空间关系进行建模,模型特征主要包括两个方面:图像强度特征及形态测量学特征,一共训练得到21个邻近椎间盘空间关系模型。3.提出椎间盘空间关系迭代推理算法基于椎间盘的精确位置集合和21个邻近椎间盘空间关系模型,本文提出椎间盘空间关系迭代推理算法。对椎间盘集合进行初始化标记,得到多个初始化标记序列,并从标记序列的第一个节点开始与相应位置的模型进行迭代匹配,得到每个序列的匹配程度。最终选择匹配程度最优的序列,对椎间盘进行标注。
曾志鸿[7]（2020）在《基于深度学习的医学CT图像椎骨检测与分割》文中研究指明脊椎侧弯、脊柱变形和椎骨滑脱等是目前发病率很高的疾病,如果能在早期及时发现脊柱疾病的症状,会对治疗起到至关重要的作用。医生对椎骨进行疾病诊断的第一步就是影像学检查,然后通过医学图像对椎骨进行定位和识别工作。疾病的筛选、病情的诊断以及制定治疗方案的.常用的手段之一便是医学图像检查。日常作业产生医学图像由于图像清晰度不高、对比不明显等原因.给通过医学图像进行精准治疗带来了一定的困难,因此研究一种椎骨自动检测技术成为了当务之急。近年来,大数据和.算力的发展促进了智能医疗的进步。以数据驱动的方法可实现脊柱图像的自动定位、识别和分割,辅助医生提高检测的敏感性和读片的效率。深度学习检测算法是通过训练大量医生标注的图像数据,生成有效的椎骨定位和识别模型,医疗欠发达的地区.可通过.应用这些训练好的模型,提高工作效率。本文主要研究内容是通过深度学习方法进行椎骨的检测和分割。本文做了以下主要工作:（1）提出了一种方法,把传统的卷积神经网络分类器转换成全卷积网络分类器;相比于传统卷积神经网络,全卷积神经网络的优点在于对输入尺寸没有限制,使得模型的鲁棒性更好。（2）将Faster R-CNN网络结构从自然图像迁移到医学图像数据集,并进行优化,从而提高定位的精度和识别的准确度。（3）通过对比不同的特征提取网络,研究不同特征图对定位精度和识别准确度的影响,从而提高整个网络的检测性能。（4）通过研究多尺度问题,找到最适合椎骨检测和定位的尺度和长宽比。最后,本文利用Mask R-CNN对椎骨图像进行了分割。通过本文研究得出以下结论:（1）对于不同的特征提取网络,Res Net作为特征提取网络有助于提高椎骨的检测精度。（2）对于多尺度问题,由于椎骨的形状具有规律性,可以使用单一尺度的设置。有助于减少计算量和降低模型的复杂度。（3）对于单个物体存在多个候选框的问题,使用非极大值抑制不会降低检测精度。（4）本文验证了增加数据集有利于提高模型检测精度和泛化性能。（5）对于椎骨分割,使用101层的残差网络作为特征提取网络的分割结果并不会优于50层的残差网络。
张美松[8]（2019）在《基于3D-SLIC和形状特征的主动脉分割及血液动力学仿真分析》文中指出主动脉是人体最为重要的血管,而因主动脉夹层导致的心血管疾病死亡率很高,在诊断与治疗时主治医生需要获取准确的主动脉外部三维模型及内部血液动力学信息,针对主动脉夹层诊疗过程中CT图像序列,如何准确地从中分割提取出主动脉区域是一个亟待解决的问题。本文设计了一种基于超像素和形状特征结合的三维分割方法,通过高效准确的分割主动脉区域并实现3D可视化显示,为医生进行诊断以及治疗提供有效信息;并对构建主动脉3D模型进行血液动力学仿真分析,为主动脉夹层的发病机制提供有效参考信息。本文主要工作如下:（1）收集建立了人体胸腹腔CT图像主动脉分割数据集,通过人工标注的方式确定主动脉区域,该数据集对指导分割算法的研究与算法性能评价有重要意义,同时设计了一种基于形状特征的的自动定位算法,实现了对主动脉弓步区域的精确定位。（2）根据主动脉的形状特征提取模型并对简单线性迭代聚类算法（SLIC）进行改进,设计了适合主动脉三维分割的3D-SLIC算法,并对超像素结果使用区域邻接矩阵进行合并;将实验结果与金标准进行对比,本文设计算法可以准确高效的从三维空间中分割提取主动脉区域。（3）对完成分割提取后的主动脉区域建立三维模型,通过血液动力学仿真分析,模拟主动脉中的血液环境,分析了不同入口压力时血液流动对主动脉及主动脉夹层产生的影响,为主动脉夹层的发病机制和诊断治疗提供了参考数据。本文设计的主动脉三维分割方法充分考虑了主动脉的形状特征与空间特征,可以高效准确的对主动脉进行三维分割。对本文方法的结果采用重叠率与时间来量化评估,相比其他主动脉分割算法重叠率最高提升10.768%,耗时减少近3/4。通过对主动脉模型进行血液动力学分析,模拟主动脉内血液环境,分析血流对主动脉和主动脉夹层的影响,为医生提供辅助支撑信息。本文工作对于主动脉夹层的诊断与治疗有较好地辅助,可以提高医生工作效率,对于挽救病人生命有重要意义。
孙宇[9]（2019）在《机器人辅助脊柱椎板减压手术的图像导航与状态感知研究》文中研究表明椎板减压手术是治疗椎管狭窄等骨科疾病的重要手段,医生长时间手持器械对椎板进行精细切削会造成身体疲劳,有一定几率导致硬膜撕裂等情况发生,可能会引起脑脊液漏或导致血肿对神经形成压迫。手术机器人具有高精度、高可靠性、容易交互、无疲劳等特点,可在医生的规划下辅助医生完成精细的减压手术,提高手术效率,同时减少并发症的发生几率。在脊柱手术中,机器人主要基于2D图像规划与导航辅助完成脊柱椎弓根钉的置入操作,其主要实现的是在图像导航引导下的定位功能,目前缺少面向椎板减压手术的规划方法,脊柱椎板在3D图像空间中为自由曲面,存在重建表面不完整、交互容易干涉等问题。机器人夹持超声骨刀切削时,呼吸引起的脊柱生理运动会产生附加正压力,影响切削稳定性;机器人夹持高速磨钻磨削时,外力作用引起的脊柱牵连运动会产生附加位移,影响磨削精度,机器人对这种动态环境尚不具备类似医生的适应能力;椎板减压无法通过内窥镜实时观察椎骨内部情况,需要通过对传感器信号在线分析实现手术状态感知,进而对手术操作提供状态预警或急停处理,提高机器人辅助手术的安全性,但目前的状态感知技术准确度不高,且缺少统一的判断标准。通过深度学习方法对医学图像进行增强处理,优化图像重建质量与病灶区域交互方式,设计面向椎板减压手术的路径与速度规划方法。基于U-Net衍生网络对椎骨CT图像进行多标签语义分割,实现根据语义信息的目标椎骨提取与椎板结构局部重建,通过空间引导线与包围盒实现医生与重建图像的交互规划,完成磨削初始点定位、变速磨削、椎管约束构建等操作。通过建立患者全身麻醉状态下呼吸机输出量与脊柱浮动量的关系模型,提出基于弹性夹具与模糊控制的附加力复合补偿方法。结合临床用呼吸机及其管路的实际参数,对不同呼吸相位下的气体流动状态进行分析,建立呼吸机出气口气体压强、流速与脊柱浮动量间的数学模型,设计机器人末端弹性夹持装置和模糊刚度控制器,提高机器人对超声骨刀切削环境的鲁棒性。通过传统弹性力学建立脊柱弯曲与扭转模型,提出面向临床的模型参数在线辨识方法与位移补偿策略。建立机器人末端对椎板作用力、作用角度与椎板表面局部区域在矢状轴、冠状轴方向位移量的关系模型,基于自适应卡尔曼滤波建立噪声统计特性未知情况下的机器人控制器,并基于两连杆机器人PD控制进行仿真,验证机器人控制系统的动态性能。通过构建术中声音信号、力信号的实时标准化特征,提出异源信号间的融合感知方法,实现对椎骨的骨皮质、过渡区、骨松质的状态识别。基于FFT对声音信号进行时频分析,通过频域回归方程定义声音信号特征,实现对骨质过渡区的识别,结合医生感知度改进术中力信号特征,实现对骨皮质和过渡区的识别,结合D-S证据论实现信息融合,提高手术在线状态感知能力。现阶段国内外手术机器人研究主要集中在辅助脊柱内固定手术,面向椎板减压的研究工作尚不成熟。本文对机器人辅助脊柱椎板减压手术技术进行了系统性研究,结合深度学习、计算机视觉、数学建模仿真、信息融合等技术,重点解决临床中医学图像规划、导航自动注册、动态环境补偿、手术状态感知等问题,为开展机器人辅助椎板减压手术提供了技术支撑。
张翰进[10]（2019）在《图像中的复杂线结构自动化检测算法研究》文中提出对某些特殊形态的目标或结构提取和分析是图像处理和计算机视觉的重要目标之一。线结构广泛存在于各种图像中,如医学图像中的血管和神经,航空或遥感图像中的道路和河流,生物特征图像中的掌纹和皱纹,光学显微图像中细胞骨架等等。对线结构的检测与分析是图像处理与计算机视觉中最具挑战性和开放性的问题之一,同时也具有广泛的应用前景。本文从线结构的形态特点出发,分别对图像中的复杂线结构的三个重要问题进行了研究,包括线结构的检测与描述,线结构的中心线的提取,线交点的检测与描述等。在广泛参考现有相关研究的基础上,本文针对线结构检测与分析中的这些问题,总结了每个问题的数学模型,并在此基础上提出了相应的解决方案。本文主要的研究内容如下:在解决线结构检测问题中,在充分考虑线结构的局部外观和空间分布特性基础上,提出了一种改进的霍夫森林框架来识别曲线结构的新型监督学习方法。本算法将曲线结构作为一个特殊的对象,认为它具有多个目标中心,每一个中心线上的点都可以是目标中心,从而构造一个多中心的霍夫森林,为图像中的每一个点为线结构的局部目标中心在广义霍夫空间中投票。考虑到曲线结构与普通目标的不同特性,本文从特征构成、偏移度量和方向偏移等方面对经典的霍夫森林方法做了修正。其训练和检测过程也做了相应的改进。在解决中心线提取问题中,将其看作是一个距离度量相关的回归问题,并构建了基于随机森林框架的多尺度中心线回归算法。本算法克服了现有的算法或仅仅考虑线结构的局部外观特性,或仅仅考虑其空间分布,将二者一并考虑,并利用随机森林累加投票构建得分图像。投票的局部极大值构成了具有相应尺度的潜在中心线点集。通过多尺度处理得到相应尺度下的中心线得分图像。将其缩放到与原图像相同大小并累加,作为可能的中心线点集。为了准确地获得中心线,利用带方向的非极大值抑制来抵消多尺度空间中的错误峰值。在解决线交点检测与分析问题中,针对线结构中大量存在的线交点,首先通过阐述线交点和普通交点的联系和区别,在参考普通交点的基础上给出线交点在数学上的定义,并总结了线交点的相关性质。然后提出了一种基于规则的线交点识别方法。本算法将线交点的检测作为一项独立的任务,而不需要事先了解曲线结构。它首先根据线交点属性度量将原始图像映射到得分图像中,并从得分图像中检测可能存在线交点的斑点,以确定覆盖连接点的区域。然后利用近似的脊线筛选斑点,并从筛选的斑点中定位线交点。最后按照滤波响应估计其分支属性。本文以线结构的检测与分析为主线,研究内容涵盖了线结构检测、中心线提取以及线交点的检测与描述等关键问题,并在这些方面取得了一些创新性的成果,在多个数据集上验证了所提出的方法的有效性。所提出的理论、模型及算法对于医学诊断、地理信息系统的更新与纠错、细胞生命活动现象的视觉解释也有一定的参考意义。
二、基于主动形状模型实现医学图像中的物体(脊柱)定位(英文)（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：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（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。
三、基于主动形状模型实现医学图像中的物体(脊柱)定位(英文)（论文提纲范文）
（1）基于深度学习的LDH自动诊断系统研究与开发（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 论文主要工作 |
| 1.4 论文组织结构 |
| 第2章 腰椎间盘突出症自动诊断系统需求分析 |
| 2.1 基础知识 |
| 2.1.1 核磁共振图像简介 |
| 2.1.2 人体脊柱构成 |
| 2.1.3 DICOM格式图像介绍 |
| 2.2 系统需求分析 |
| 2.2.1 功能需求分析 |
| 2.2.2 性能需求分析 |
| 2.3 系统关键技术 |
| 2.4 本章小结 |
| 第3章 Pfirrmann分级诊断 |
| 3.1 Pfirrmann分级 |
| 3.2 腰椎间盘及椎体中心点定位算法 |
| 3.2.1 基于残差神经网络的椎间盘及椎体定位算法 |
| 3.2.2 腰椎间盘与椎体中心点约束关系 |
| 3.2.3 椎体与椎间盘中心点迭代修正算法 |
| 3.3 Pfirrmann分级诊断模型 |
| 3.3.1 不平衡数据集 |
| 3.3.2 Pfirrmann分级分类器 |
| 3.4 实验验证与分析 |
| 3.4.1 椎体与椎间盘中心点定位算法结果 |
| 3.4.2 Pfirrmann分级结果 |
| 3.5 本章小结 |
| 第4章 MSU分型诊断 |
| 4.1 MSU分型 |
| 4.2 腰椎间盘突出诊断 |
| 4.3 突出椎间盘轴状位图像关键点定位算法 |
| 4.3.1 轴状位关键点定位约束 |
| 4.3.2 轴状位关键点定位修正 |
| 4.4 轴状位椎间盘及突出分割算法 |
| 4.4.1 传统图像分割方法 |
| 4.4.2 基于U-Net的轴状位椎间盘及突出分割算法 |
| 4.5 判断MSU分型 |
| 4.6 实验验证与分析 |
| 4.6.1 椎间盘突出诊断算法结果 |
| 4.6.2 MSU分型结果 |
| 4.7 本章小结 |
| 第5章 LDH自动诊断系统的设计与实现 |
| 5.1 系统模块 |
| 5.2 系统开发设计 |
| 5.3 系统界面 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的科研成果目录 |
| 学位论文评阅及答辩情况表 |
（2）基于卷积神经网络的肿瘤医学图像分割和检测方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究内容与成果 |
| 1.3 论文组织结构 |
| 第二章 基于卷积神经网络的医学图像处理研究综述 |
| 2.1 引言 |
| 2.2 医学图像特征及其处理难点分析 |
| 2.2.1 医学图像特征 |
| 2.2.2 医学图像处理难点分析 |
| 2.3 传统医学图像处理研究综述 |
| 2.4 基于深度学习的医学图像处理研究综述 |
| 2.4.1 卷积神经网络 |
| 2.4.2 循环神经网络 |
| 2.4.3 非监督模型 |
| 2.5 基于卷积神经网络的医学图像分割和检测研究现状 |
| 2.5.1 基于卷积神经网络的医学图像分割研究现状 |
| 2.5.2 基于卷积神经网络的医学图像检测研究现状 |
| 2.5.3 基于卷积神经网络的医学图像分割和检测面临的挑战 |
| 2.6 本章小结 |
| 第三章 基于卷积神经网络的肝脏医学图像分割研究 |
| 3.1 引言 |
| 3.2 基于联合损失函数的肝脏医学图像分割方案 |
| 3.2.1 方案框架 |
| 3.2.2 基于联合损失函数的V-Net |
| 3.2.3 两阶段训练策略 |
| 3.3 实验设计与分析 |
| 3.3.1 数据集描述 |
| 3.3.2 实验设计与评价指标 |
| 3.3.3 实验结果与分析 |
| 3.4 本章小结 |
| 第四章 基于卷积神经网络的循环肿瘤细胞检测研究 |
| 4.1 引言 |
| 4.2 基于特征尺度扩展的循环肿瘤细胞检测方案 |
| 4.2.1 方案框架 |
| 4.2.2 基于融合信号点分布特征的细胞核分割 |
| 4.2.3 基于YOLO-V3-MobileNetL的信号点检测 |
| 4.2.4 检测流程和判别规则 |
| 4.3 实验与分析 |
| 4.3.1 数据集描述 |
| 4.3.2 实验设计与评价指标 |
| 4.3.3 实验结果与分析 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 缩略语 |
| 致谢 |
| 攻读学位期间取得的研究成果 |
（3）基于深度学习的脊柱CT图像分割（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究工作的背景与意义 |
| 1.2 研究工作的现状与发展 |
| 1.3 本文的主要工作内容 |
| 1.4 本论文的章节安排 |
| 第二章 相关理论基础介绍 |
| 2.1 卷积神经网络概述 |
| 2.1.1 卷积层 |
| 2.1.2 池化层 |
| 2.1.3 批归一化层 |
| 2.1.4 激活函数 |
| 2.1.5 损失函数 |
| 2.2 基于深度学习的医学图像分割模型 |
| 2.2.1 残差学习 |
| 2.2.2 密集学习 |
| 2.2.3 注意力机制 |
| 2.2.4 经典分割模型介绍 |
| 2.3 本章小结 |
| 第三章 基于2D卷积的椎骨粗分割DAU-net模型 |
| 3.1 U-net模型简介 |
| 3.2 改进的2D卷积DAU-net模型 |
| 3.2.1 DAU-net模块设计 |
| 3.2.2 DAU-NET网络结构 |
| 3.3 基于深度学习的椎骨图像分割 |
| 3.3.1 数据预处理 |
| 3.3.2 网络训练过程与参数配置 |
| 3.3.3 评价指标 |
| 3.4 实验结果分析 |
| 3.5 本章小结 |
| 第四章 基于3D卷积的椎骨细分割 |
| 4.1 nn Unet介绍 |
| 4.2 改进的3D DAU-NET |
| 4.2.1 网络模块设计 |
| 4.2.2 网络结构介绍 |
| 4.3 椎骨体素数据的预处理方法 |
| 4.4 实验结果分析 |
| 4.5 本章小结 |
| 第五章 基于半监督学习的椎骨分割 |
| 5.1 基于半监督学习的椎骨分割算法设计 |
| 5.2 基于半监督学习的椎骨分割模型 |
| 5.2.1 损失函数 |
| 5.3 实验结果分析 |
| 5.3.1 实验数据与训练参数 |
| 5.3.2 实验结果分析 |
| 5.4 本章小结 |
| 第六章 全文总结与展望 |
| 6.1 全文总结 |
| 6.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（4）基于增强现实技术的微创脊柱外科手术引导系统的创新设计与应用研究（论文提纲范文）
| 缩略词表 |
| 英文摘要 |
| 中文摘要 |
| 前言 |
| 第一部分 用于增强现实手术引导系统的开发环境体系构建 |
| 引言 |
| 材料与方法 |
| 结果 |
| 讨论 |
| 小结 |
| 第二部分 用于增强现实手术引导系统的实验材料的准备与自动配准软件的实现 |
| 引言 |
| 材料与方法 |
| 结果 |
| 讨论 |
| 小结 |
| 第三部分 基于增强现实技术的微创脊柱外科手术引导系统的可行性与准确性研究 |
| 引言 |
| 材料与方法 |
| 结果 |
| 讨论 |
| 小结 |
| 全文结论 |
| 参考文献 |
| 文献综述 虚拟现实技术与增强现实技术在脊柱外科的应用现状 |
| 参考文献 |
| 在读期间发表文章 |
| 致谢 |
（5）脊柱手术影像辅助应用中关键技术的研究与实践（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 缩略词对照表 |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 研究问题和方法 |
| 1.3 研究意义与创新点 |
| 第二章 一种基于极大特征点的三维椎骨分割方法 |
| 2.1 椎骨分割研究现状 |
| 2.2 分割方法 |
| 2.2.1 分割方法概述 |
| 2.2.2 图像预处理 |
| 2.2.3 极大特征点提取 |
| 2.3 结果和讨论 |
| 2.3.1 正常椎骨分割情况 |
| 2.3.2 在椎骨数据集上的分割情况 |
| 2.3.3 在侧凸脊柱上的分割结果 |
| 2.3.4 与同类分割方法的比较 |
| 2.4 本章小结 |
| 第三章 一种基于形态学的三维脊柱自动矫正方法 |
| 3.1 脊柱侧凸手术背景与现状 |
| 3.2 自动矫正方法介绍 |
| 3.2.1 方法简介 |
| 3.2.2 数据准备 |
| 3.2.3 自动矫正步骤 |
| 3.2.4 手动微调和参数自动更新 |
| 3.3 结果和讨论 |
| 3.3.1 模拟矫正效果展示 |
| 3.3.2 脊柱模拟和手术矫正的参数比较 |
| 3.3.3 不同医生模拟矫正结果的对比 |
| 3.4 本章小结 |
| 第四章 一种基于深度学习的椎弓根轮廓识别方法 |
| 4.1 椎弓根识别相关背景与内容介绍 |
| 4.2 椎弓根识别的相关研究 |
| 4.3 方法介绍 |
| 4.3.1 数据准备 |
| 4.3.2 点云和标签的制作 |
| 4.3.3 PointNet3的构建 |
| 4.3.4 训练PointNet3 |
| 4.3.5 点云聚类和椎弓根截面的生成 |
| 4.4 实验结果与讨论 |
| 4.4.1 几种网络分割精度的比较 |
| 4.4.2 椎弓根分割效果 |
| 4.4.3 基于K-Means算法的进一步椎弓根分割 |
| 4.4.4 生成横截面和椎弓根轮廓 |
| 4.4.5 实验结果讨论 |
| 4.5 本章小结 |
| 第五章 一种基于CapsNet的改进的3D椎骨图像识别网络RNNinCaps |
| 5.1 三维椎骨图像识别背景与研究现状 |
| 5.2 方法 |
| 5.2.1 RNNinCaps的构建 |
| 5.2.2 传统CNN的构建 |
| 5.2.3 基准网络的构建 |
| 5.2.4 椎骨定位网络的构建 |
| 5.3 实验结果与讨论 |
| 5.3.1 在单块椎骨数据集上的测试 |
| 5.3.2 在2D图像上的进一步测试 |
| 5.3.3 与几种主流网络的对比 |
| 5.3.4 与类似工作的对比 |
| 5.3.5 椎骨定位与识别 |
| 5.3.6 实验结果分析与讨论 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 参考文献 |
| 攻读硕士学位期间的学术活动及成果情况 |
（6）基于深度学习和空间关系推理的脊柱定位方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究概况 |
| 1.3 论文主要工作 |
| 第二章 相关知识背景 |
| 2.1 核磁共振图像简介 |
| 2.2 人体脊柱的构成 |
| 2.3 深度学习目标检测理论基础 |
| 2.4 空间推理理论基础 |
| 2.5 本章小结 |
| 第三章 椎间盘定位检测 |
| 3.1 基于深度学习目标检测对椎间盘定位 |
| 3.1.1 RefineDet算法 |
| 3.1.2 网络结构 |
| 3.2 椎间盘高级解剖约束 |
| 3.3 本章小结 |
| 第四章 椎间盘标注 |
| 4.1 邻近椎间盘空间关系模型 |
| 4.1.1 图像强度特征 |
| 4.1.2 形态测量学特征 |
| 4.2 椎间盘空间关系迭代推理算法 |
| 4.2.1 初始化标记 |
| 4.2.2 迭代推理 |
| 4.2.3 选择最佳匹配 |
| 4.3 本章小结 |
| 第五章 实验验证与分析 |
| 5.1 实验数据描述 |
| 5.2 定位标注结果 |
| 5.2.1 椎间盘定位的准确性 |
| 5.2.2 椎间盘标注结果的正确性 |
| 5.3 定量评估 |
| 5.4 时间性能 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文总结 |
| 6.2 展望 |
| 参考文献 |
| 作者简介及在学期间所取得的科研成果 |
| 致谢 |
（7）基于深度学习的医学CT图像椎骨检测与分割（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 目标检测研究现状 |
| 1.2.2 椎骨图像检测研究现状 |
| 1.3 本文组织安排 |
| 第二章 医学图像预处理及深度学习理论基础 |
| 2.1 深度学习相关原理介绍 |
| 2.1.1 全连接网络 |
| 2.1.2 卷积网络 |
| 2.1.3 池化层与激活函数 |
| 2.2 医学图像预处理操作 |
| 2.2.1 常见图像数据格式 |
| 2.2.2 图像处理基础知识 |
| 2.3 基于深度学习的椎骨检测方法 |
| 2.3.1 网络总体构架 |
| 2.3.2 区域提出网络 |
| 2.4 本章小结 |
| 第三章 椎骨检测的实验与分析 |
| 3.1 实验设备 |
| 3.2 实验设置 |
| 3.3 特征提取网络对比实验 |
| 3.3.1 VGG16 |
| 3.3.2 残差网络(Res Net) |
| 3.4 CNN 网络转FCN 网络 |
| 3.5 实验结果与分析 |
| 3.6 非极大值抑制实验 |
| 3.7 多尺度对比实验 |
| 3.8 数据集对比实验 |
| 3.9 本章小结 |
| 第四章 椎骨分割的实验与分析 |
| 4.1 实验配置 |
| 4.2 实验原理 |
| 4.3 对比Res Net50和Res Net101 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 论文总结 |
| 5.2 未来工作展望 |
| 参考文献 |
| 致谢 |
| 在读期间发表的学术论文与取得的其他成果 |
| 附录 |
（8）基于3D-SLIC和形状特征的主动脉分割及血液动力学仿真分析（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题背景及研究意义 |
| 1.2 主动脉分割研究现状 |
| 1.3 主动脉血液动力学分析研究现状 |
| 1.4 本文研究内容与结构安排 |
| 第二章 胸腹腔CT图像形状特征分析及预处理 |
| 2.1 CT成像原理 |
| 2.2 主动脉CT图像特征 |
| 2.2.1 主动脉结构 |
| 2.2.2 主动脉夹层影像学特征 |
| 2.3 基于形状特征的主动脉弓部定位 |
| 2.4 CT图像局部灰度映射 |
| 2.5 本章小结 |
| 第三章 主动脉区域三维分割 |
| 3.1 胸腹腔CT图像主动脉分割数据集 |
| 3.2 超像素分割算法 |
| 3.2.1 基于图论的方法 |
| 3.2.2 基于梯度的方法 |
| 3.2.3 简单线性迭代聚类算法 |
| 3.3 主动脉三维分割算法 |
| 3.3.1 三维超像素分割方法 |
| 3.3.2 立方体模型初始化聚类中心 |
| 3.3.3 区域合并策略 |
| 3.4 本论文算法实现步骤 |
| 3.5 实验结果及分析 |
| 3.6 本章小结 |
| 第四章 主动脉血液动力学仿真分析 |
| 4.1 计算流体力学分析基础 |
| 4.2 血液动力学分析基础 |
| 4.3 网格划分 |
| 4.4 主动脉血液动力学仿真分析实验 |
| 4.4.1 仿真条件设置 |
| 4.4.2 实验结果分析 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 工作展望 |
| 参考文献 |
| 发表论文和参加科研情况 |
| 致谢 |
（9）机器人辅助脊柱椎板减压手术的图像导航与状态感知研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题背景及研究目的和意义 |
| 1.2 国内外发展现状综述 |
| 1.2.1 脊柱手术机器人系统 |
| 1.2.2 医学图像分割与识别 |
| 1.2.3 骨组织切削数值模型 |
| 1.3 脊柱手术机器人现存问题 |
| 1.4 课题来源及主要研究内容 |
| 第2章 基于医学图像的手术规划 |
| 2.1 引言 |
| 2.2 基于水平集构建椎骨数据集 |
| 2.2.1 水平集分割理论基础 |
| 2.2.2 基于二分法的自适应批处理 |
| 2.3 基于U-NET结构的图像语义分割 |
| 2.3.1 标签制作与图像独热编码 |
| 2.3.2 衍生网络结构与分割应用 |
| 2.4 基于重建图像的机器人磨削规划 |
| 2.4.1 椎板减压路径规划方法 |
| 2.4.2 椎板减压速度规划方法 |
| 2.5 本章小结 |
| 第3章 基于立体视觉的导航注册 |
| 3.1 引言 |
| 3.2 双目立体视觉原理与实现 |
| 3.2.1 基于针孔模型的相机标定 |
| 3.2.2 基于双目视差的立体视觉 |
| 3.3 手术工具末端与机器人手眼标定 |
| 3.4 医学图像与导航系统自动注册 |
| 3.4.1 基于2DC-Arm的自动注册 |
| 3.4.2 基于3DC-Arm的自动注册 |
| 3.5 本章小结 |
| 第4章 面向脊柱运动的动态补偿 |
| 4.1 引言 |
| 4.2 脊柱手术通用型运动补偿 |
| 4.3 面向超声骨刀的生理运动补偿 |
| 4.3.1 呼吸-脊柱浮动量模型 |
| 4.3.2 脊柱浮动量补偿复合控制策略 |
| 4.4 面向高速磨钻的牵连运动补偿 |
| 4.4.1 器械-脊柱交互作用模型 |
| 4.4.2 基于卡尔曼滤波器的机器人控制 |
| 4.5 本章小结 |
| 第5章 基于信息融合的状态感知 |
| 5.1 引言 |
| 5.2 基于导航图像的手术状态感知 |
| 5.3 基于传感器的手术状态感知 |
| 5.3.1 基于声音信号的骨质感知 |
| 5.3.2 基于力信号的骨质感知 |
| 5.4 基于信息融合的手术态势感知 |
| 5.4.1 基于D-S证据论的特征融合 |
| 5.4.2 基于状态预测的决策融合 |
| 5.5 本章小结 |
| 第6章 椎板减压系统集成与实验验证 |
| 6.1 引言 |
| 6.2 医学图像规划与注册实验 |
| 6.2.1 基于动物实验的应用测试 |
| 6.2.2 基于平台实验的补充测试 |
| 6.3 生理与牵连运动补偿实验 |
| 6.3.1 生理运动补偿控制实验 |
| 6.3.2 牵连运动补偿控制仿真 |
| 6.4 状态感知样本骨实验 |
| 6.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间发表的论文及其它成果 |
| 致谢 |
| 个人简历 |
（10）图像中的复杂线结构自动化检测算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 英文缩写与全称对照表 |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.1.1 线结构的描述与性质 |
| 1.1.2 线结构检测与分析的意义 |
| 1.2 线结构的特点及检测难点 |
| 1.3 研究现状概述 |
| 1.3.1 线结构的检测与分析 |
| 1.3.2 线结构中心线提取 |
| 1.3.3 线交点的检测与特性描述 |
| 1.4 研究内容及论文结构安排 |
| 1.4.1 论文的主要研究内容 |
| 1.4.2 论文的结构安排 |
| 第二章 基于多中心霍夫森林算法的线结构检测 |
| 2.1 引言 |
| 2.2 线结构检测的相关研究 |
| 2.3 问题假设及描述 |
| 2.4 霍夫变换相关算法回顾 |
| 2.5 样本结构 |
| 2.5.1 局部外观描述子 |
| 2.5.2 偏移描述子 |
| 2.5.3 相位描述子 |
| 2.6 多中心霍夫森林检测算法 |
| 2.6.1 多中心霍夫森林训练 |
| 2.6.2 线结构检测 |
| 2.7 实验及结果分析 |
| 2.7.1 数据集和参数设置 |
| 2.7.2 评价标准 |
| 2.7.3 检测结果及比较分析 |
| 2.7.4 讨论 |
| 2.8 本章小结 |
| 第三章 基于随机回归森林算法的线结构中心线提取 |
| 3.1 引言 |
| 3.2 中心线提取的相关研究工作 |
| 3.2.1 采用人为设计的模型提取中心线 |
| 3.2.2 采用学习得到的模型提取中心线 |
| 3.3 利用随机回归森林的线结构提取 |
| 3.3.1 问题描述 |
| 3.3.2 特征组成 |
| 3.3.3 随机回归森林算法训练 |
| 3.3.4 中心线检测 |
| 3.4 实验及结果分析 |
| 3.4.1 实验数据集及实验设置 |
| 3.4.2 实验结果与分析 |
| 3.4.3 随机森林参数及特征选择的影响 |
| 3.5 本章小结 |
| 第四章 基于JUNR算法的线交点筛选定位与分支属性描述 |
| 4.1 引言 |
| 4.2 线交点检测的相关研究 |
| 4.2.1 普通交点检测的相关研究 |
| 4.2.2 线交点检测的相关研究 |
| 4.3 线交点的定义及性质 |
| 4.3.1 线交点及其分支的定义 |
| 4.3.2 线交点的性质 |
| 4.4 JUNR:检测线交点的方法 |
| 4.4.1 JUNR算法概述 |
| 4.4.2 线交点度量函数 |
| 4.4.3 度量映射图像的候选斑点检测 |
| 4.4.4 斑点筛选 |
| 4.4.5 交点中心定位及分支属性描述 |
| 4.5 实验及结果分析 |
| 4.5.1 数据及参数设置 |
| 4.5.2 实验结果及分析 |
| 4.5.3 关于线交点的分支属性的比较 |
| 4.6 本章小结 |
| 第五章 总结与展望 |
| 5.1 本文工作总结 |
| 5.2 后续工作展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文 |
四、基于主动形状模型实现医学图像中的物体(脊柱)定位(英文)（论文参考文献）
- [1]基于深度学习的LDH自动诊断系统研究与开发[D]. 武玉欣. 山东大学, 2021(12)
- [2]基于卷积神经网络的肿瘤医学图像分割和检测方法研究[D]. 潘熙文. 北京邮电大学, 2021
- [3]基于深度学习的脊柱CT图像分割[D]. 张辰翰. 电子科技大学, 2021(01)
- [4]基于增强现实技术的微创脊柱外科手术引导系统的创新设计与应用研究[D]. 刘寰. 中国人民解放军陆军军医大学, 2020(01)
- [5]脊柱手术影像辅助应用中关键技术的研究与实践[D]. 王浩. 合肥工业大学, 2020(02)
- [6]基于深度学习和空间关系推理的脊柱定位方法研究[D]. 邵婧雯. 吉林大学, 2020(08)
- [7]基于深度学习的医学CT图像椎骨检测与分割[D]. 曾志鸿. 佛山科学技术学院, 2020(01)
- [8]基于3D-SLIC和形状特征的主动脉分割及血液动力学仿真分析[D]. 张美松. 天津工业大学, 2019(01)
- [9]机器人辅助脊柱椎板减压手术的图像导航与状态感知研究[D]. 孙宇. 哈尔滨工业大学, 2019(01)
- [10]图像中的复杂线结构自动化检测算法研究[D]. 张翰进. 上海交通大学, 2019(06)