一、医学影像中的文本信息提取方法(论文文献综述)
刘侨[1](2021)在《基于深度学习的图像字幕生成方法研究》文中认为当今正处于移动互联和流媒体的时代,每天都会产生海量的数据。种类繁多的大量数据为数据分析工作带来了极大的挑战,如何从多种模态、数据量巨大的数据中挖掘有效信息成为了一个热点“话题”。图像字幕生成技术是一种跨模态分析任务,即数据从图像模态到文本模态的转换。该技术的目标是为图像生成一段能够自然表达该图像的文本,是一种多领域交叉学科的研究问题。本文将从研究背景及意义、国内外研究现状等方面详细介绍图像字幕技术,并从不同的角度对图像字幕生成模型和方法进行分析研究,具体研究内容如下:(1)针对图像字幕技术中视觉信息和语义信息无法有效利用以及生成字幕缺乏语法可读性的问题,设计了一种基于注意力平衡机制和语法优化模块的图像字幕生成框架。首先,模型从图像中提取并编码图像中的视觉和语义信息,并利用多任务学习的方法获取图像的主题;其次,模型分别计算视觉注意力和语义注意力,获取与当前生成词汇的时刻相关的视觉特征和语义特征;再次,模型将得到的视觉注意力特征和语义注意力特征输入到注意力平衡机制中,并根据当前时刻的信息权衡两种注意力信息;最终,模型把加权后的注意力信息输入到语法优化模块中,该模块由长短时记忆网络和有序神经元长短时记忆网络组成,它有效增强了生成字幕的语法可读性。实验证明,该方法能够有效且合理地选择图像中的信息,并增强了生成字幕的语法可读性。(2)针对图像字幕中缺乏风格化知识和不能有效融合图像客观信息与风格知识的问题,设计了一种基于风格注意力机制和反向强化模块的图像字幕生成框架。首先,模型从图像中捕获并编码视觉信息,并将其输入到风格-Transformer中的编码端,这是为了从高、低两个层级编码图像特征;其次,深度编码后的特征输入到风格-Transformer的解码端中,其风格注意力模块为生成的字幕融合风格知识;再次,生成的字幕输入到反向强化模块中,从视觉和风格两个方面对字幕生成模型进行优化;最终,整个模型通过预训练和微调两个阶段的训练,使得生成字幕融合了风格知识和图像客观信息。实验证明,该模型有效地解决了客观图像字幕中缺乏风格知识和风格化字幕不能兼顾图像客观信息和风格知识的问题。
郑德重[2](2021)在《基于多模态数据融合的肺部肿瘤智能分析技术研究》文中指出癌症在全球范围内威胁着人类的健康,全球癌症患者当中,肺癌作为发病率第二(男性当中仅次于前列腺癌,女性当中仅次于乳腺癌),死亡率最高的一种癌症,对其早期诊断具有重要意义。临床上,影像学诊断信息对于肺癌的早期诊断和治疗预后都有很高的临床价值,而目前绝大多数关于肺部肿瘤的计算机辅助研究都是借助影像学信息开展的。随着医学技术的快速发展,医疗数据的种类和数量都在不断丰富和增加。由于肺部肿瘤诊断的复杂性,借助计算机辅助技术来帮助医生更加全面准确地把握这些描述患者不同体征和检查的信息,在临床诊断和治疗方面显得尤为重要。综合使用多种不同类型数据(又称多模态数据)的方法已成为智能医疗系统的重要驱动力,其应用研究范围已覆盖到从筛查发现、疾病诊断、治疗预后评估的方方面面。在本文研究中,利用人工智能技术结合多模态医疗数据以肺部肿瘤诊断为切入点做了以下几个方面的研究工作:(1)基于高斯混合的距离度量学习在数据理解及模型构建泛化性方面研究临床医疗数据不同于其他普通数据,相较而言,大多以小样本的形式散乱分布在不同医院和机构之中。利用基于大数据的人工智能技术研究临床问题时,由于存在样本规模的限制,小样本情况下训练得到的模型预测性能不稳定、容易出现偏差,同时适用范围存在质疑的问题。本文从数据理解的角度出发,提出了一种基于高斯混合的距离度量学习(DML-GMM)方法,它能帮助我们有效的了解数据的分布情况。在理解数据分布的条件下优化人工智能模型训练的流程,减小模型的偏差和方差。同时,该方法还能帮助在实践中发现奇异样本,帮助模型进行迭代更新、了解模型的适用范围及泛化性能。(2)深度学习模型可靠性研究:基于距离的置信度分数深度学习技术像“黑盒”一样,虽然在一些应用场合效果显着但缺乏一定的可解释性,而在医疗领域的应用中通常对其可靠性和可解释性有一定要求。在这样的背景和需求下,对模型的置信度进行了研究,提出了一种基于距离的置信度分数来衡量分类模型的置信度,用这种置信度分数来解释其预测结果的可靠程度。该置信度分数在分析多模态融合分类模型时,可以用来量化评估不同模态信息对于模型综合判断时对置信度的影响,从置信度的角度解释了不同类型数据对于模型作用及影响。(3)基于多模态数据的肺腺癌病理亚型鉴别技术研究肺癌的病理无创鉴别是临床诊断上一个极具挑战问题。本研究采集了1946例经临床证实的肺腺癌患者数据,使用深度学习技术结合诊断过程中常用到的多种检查信息:患者一般临床信息、血清肿瘤标志物和CT影像检查,提出了一种基于注意力机制的多模态融合肺腺癌病理分类模型用来鉴别肺腺癌的浸润性和非浸润性,该方法在测试数据上取得了88.4%的准确率和0.958的AUC,优于现有相关研究。(4)基于深度学习和影像组学融合的肺肿瘤射频消融术后疗效预测这项临床术后评估的应用研究(肺肿瘤射频消融术后疗效预测),提出了一种基于深度学习和影像组学融合的肺肿瘤射频消融术后疗效预测模型用来预后疗效评估。该模型融合了肺部肿瘤射频消融术前术后的多模态影像信息。在样本较小的情况下取得了较好的预测性能。
张天[3](2021)在《跨媒体医学图像自动标注技术研究》文中提出在当前大数据时代,大量的医学影像没有得到有效利用。而在医疗、教育以及科研等领域却亟需大量经过标注的数据,因此需要一种技术对医学影像进行标注。然而使用手动标注的方法耗时耗力且需要医学专业人士才能完成,人工智能技术的兴起为医学影像的自动标注带来了福音。传统的自动标注方法仅仅使用了图像单一模态的数据,与图像数据紧密相关的诊断报告却未得到使用。因此本文提出了一种利用跨模态方法进行医学影像自动标注的技术,重点研究如何利用图像和文本两种模态的数据进行自动标注,本文的研究内容包括以下几点:1)针对多种模态数据在神经网络中的融合方式和融合时机进行研究,探索不同融合方式和融合时机对任务结果的影响,为后续的跨模态医学影像自动标注提供基础;2)针对医学影像中的疾病类型进行自动标注研究。由于疾病类型是一种图像级别的标签,所以本文将使用图像分类的方法,研究模态内部的病灶关联性以及模态之间的病灶关联性,并且基于这两种关联性提出一种关联性学习方法,以更好的融合两种模态的特征,从而提高疾病类型的自动标注效果;3)针对医学影像中的病灶位置进行自动标注研究。由于病灶位置是一种像素级别的标签,所以本文将使用图像分割的方法,研究单个病灶的位置、形状、大小等等细节信息对标注的影响,然后基于这种影响设想使用文本信息进行辅助分割,并基于这种设想提出了互感知特征融合方法,使图像特征在文本特征的辅助下可以更好地提取出病灶细节,从而提高病灶位置的自动标注效果;4)针对眼底领域的需求,根据上述两项研究,研发出了一款跨模态的眼底图像自动标注原型系统,该系统既可以对眼底图像中的四种常见疾病类型进行标注,也可以对眼底图像中的高荧光进行标注,该系统为上述研究的转化提供了例证。
王艺霖[4](2021)在《基于多层次特征融合的医学图像分割研究》文中认为随着社会对医疗健康越来越重视以及数字成像技术的发展,数字医学成像已经成为医疗专家诊疗患者的重要参考信息,在对患者病情进行定性、定量分析过程中,提取医学图像中的病理特征是至关重要的。由于图像分割技术可以从像素层面观察并处理图像特征,进而能更好地掌握图像的形状、纹理等特征信息,使得医学图像分割成为辅助医生诊疗的重要手段。但是,医学图像中往往存在实例对象繁多,目标对象之间边界模糊、对比度低,以及目标对象周边具有大量相似的噪声结构等问题,这些问题使得对医学图像实现精准、高效的分割具有很大的困难和挑战。本文围绕医学图像分割所面临的问题和挑战,开展基于深度学习和多层次特征融合的医学图像分割算法研究。研究内容包括基于对称式网络和深度瓶颈结构的分割算法,基于多层次特征融合、分组卷积和特征通道的分割算法,以及基于全连接条件随机场的分割优化算法。具体的主要内容和贡献如下:(1)针对传统医学图像分割方法的泛化能力差、准确率低等问题,提出基于对称式全卷积残差网络的分割算法。该算法在U-Net神经网络的基础上,提出三种新颖的深度瓶颈结构来替代U-Net网络中的每个卷积层,这不仅可以增加网络中的层数,加强特征的提取,而且能够减少网络参数量,加快网络的训练。同时利用跳跃连接结构促进多层次特征进行融合,以增强特征的重用和传播。并通过实验证实该算法对CBCT牙齿图像的精准分割。(2)针对医学图像中由于相似噪声结构繁多,对比度低而导致的难以精确分割等问题,提出基于分组卷积和特征通道的多层次特征融合算法。该算法利用两种不同的多层次特征融合方式,分别为特征像素逐点相加和特征通道拼接。通过充分结合图像各个层次的上下文特征信息,并使用分组卷积结合不同子空间的特征以及利用各个特征通道的不同强度对特征信息进行标定筛选,最大化地提升对目标对象特征信息的提取能力。并通过实验证实该算法对CBCT牙齿图像和腺体细胞图像更加精准、高效的分割。(3)针对传统医学图像分割算法的分割结果中目标对象轮廓模糊,边界不清晰等问题,提出基于全连接条件随机场的分割优化算法。将全连接条件随机场应用于神经网络生成的分割概率图上,利用其对图像局部特征的结构化预测能力,达到精准定位目标对象轮廓,细化边界的效果。并通过实验证明其实用价值。
侯金磊[5](2021)在《基于卷积自编码器的脑MRI无监督异常检测算法研究》文中进行了进一步梳理作为中枢神经系统的核心,大脑是人类区别于其他物种的重要部分,而大脑发生异常或者病变会对人的基本生存能力造成重大影响甚至死亡。在大脑或者脊髓组织中产生病变细胞的疾病称为脑瘤,其患者五年生存率仅约为35%,但是脑内组织边界模糊,病变(异常)区域和正常组织难以界定。脑病变的判定以及病变区域的定位是进一步治疗和诊断的前提,然而医生去完成这些工作不仅仅需要丰富的行医经验和医学专业知识,而且还需要投入大量的时间和精力。虽然目前已经有一些研究工作致力于大脑的自动化辅助诊断(如脑瘤分割,脑瘤分类等),但这些方法极度依赖于大量的数据,而脑医学数据具有稀缺性、不平衡性、多样性、标注成本极高等不同于其他普通数据的特点,这使得数据成为了限制自动化医学辅助诊断相关技术发展的主要瓶颈。为了能够减少对数据及其标注的依赖,同时充分利用医学数据中健康人群数据容易获取的特点,本文提出了基于卷积自编码器的脑MRI无监督异常检测算法。本文主要利用卷积自编码器作为基础模型,采用无监督学习的方式,实现脑MRI异常的检测及定位,具体来说,该算法在训练的过程中只见过正常大脑的MRI影像,但是其可以在测试过程中区分正常大脑和异常大脑MRI影像且具有一定的异常定位能力。该算法是基于重构的假设,主要假设是算法在训练过程中完成对正常大脑数据分布的建模,由于算法只学会了对正常大脑进行重构,所以在测试阶段它只能很好地重构正常大脑的MRI影像,而不能很好地重构异常大脑的MRI影像,通过重构图像与原图像的残差实现异常检测。本文的主要工作如下:1)根据无监督异常检测的设定,收集并构建了脑MRI影像无监督异常检测数据集Brain AD,完成对脑MRI影像的分析和预处理;2)基于卷积自编码器的脑MRI影像异常检测算法研究,探索基于重构的异常检测算法在脑MRI影像中应用;3)基于记忆增强的卷积自编码器的脑MRI影像异常检测算法研究,探索记忆网络对正常样本典型模板特征提取的有效性和对脑MRI影像异常检测性能的影响;4)基于对抗学习和记忆增强的卷积自编码器的脑MRI影像异常检测算法研究,探索对抗学习捕获数据分布的有效性和低维度的对抗学习表征对脑MRI影像异常检测性能的影响。实验结果显示,基于卷积自编码器的脑MRI无监督异常检测算法在没有使用异常脑MRI影像参与训练的情况下,依然可以有效地实现正常大脑和异常大脑MRI影像的区分。
胡雪婵,韩雪峰[6](2020)在《自然语言处理在医疗器械中的应用研究》文中研究指明本文在概述自然语言处理的基础上,简述了自然语言处理NLP的工作原理:特征提取、特征加工、系统训练和验证。总结了自然语言处理在胃肠道内窥镜检查报告中的主要特点,指出了结构化的关键,进而进行了方案设计。阐述了自然语言处理在医学影像中的应用,包括患者个体信息分析、群体信息分析、医学影像流程信息分析。最后,对自然语言处理的未来发展方向进行了展望。
周海彬[7](2020)在《跨模态医学图像检索》文中提出随着医疗行业信息化水平的不断提高,医学影像数据量日益膨胀,行业内普遍现状是对于这些具有多种模态的医学图像数据一直缺乏有效的管理和检索方式,多种模态的数据检索成为了亟需解决的问题。另外,如何快速检索到对医生有用的信息,解决检索过程中存在的效率问题也是需要考虑的,比如病灶的定位,而这在大多数时候还是依靠医生机械地在检索到的序列中进行寻找,计算机辅助分析的程度还不够。针对上述问题,我们构建了跨模态的医学图像检索系统,解决了在一个框架下如何对不同模态的影像包含的不同器官进行分割并实现检索的问题,同时将病变检测有机地整合到用户检索的过程中,帮助用户在检索结果中快速定位病灶。具体工作如下:对于器官检索功能来说,为了在检索结果中能够突出用户感兴趣的器官的轮廓和结构,我们需要对器官进行分割。一方面,我们构建了基于多任务学习的跨模态多器官分割框架,将影像分类与器官分割统一到同一框架下,设计了影像模态分析与器官类型推理模块,有效利用了用户在检索过程中提供的与影像包含的器官类型相关的高层语义信息,实现了对不同模态包含的不同器官进行分割;另一方面,在分割模型设计中,我们在基础U-Net网络的编码器中引入了残差单元,以及引入GAU模块替换UNet原来简单的跳跃连接结构,对基础的UNet结构进行改进,实现对不同器官进行分割。从实验结果看,相比于原有的UNet结构,这部分改进取得了更好的器官分割结果。在实现常见器官分割的基础上,我们进一步完成在临床上需求更为迫切的病变检索任务。在病变检索的部分,我们实现了对肝脏器官CT影像中的肝癌、肝囊肿、肝血管瘤等一些常见病变的检测和分类。算法处理流程采用了Faster R-CNN模型作为病变目标检测框架,然后通过迁移学习的思想对检测到的病变区域应用Inception v3网络以确定病变类别,相比于其他常用的分类方法取得了更好的分类结果。在对病变进行分类的过程中,我们通过DCGAN网络对数据集中部分样本数量偏少的类别进行图像数据生成,有效解决了数据集不同类别样本分布不平衡的问题,同时提高了病变整体检测和分类指标。在完成医学图像检索系统所需要涉及到的算法框架设计和实现之后,我们以C/S架构设计并实现了医学图像检索系统应用。在服务端,我们定义了检索过程中所需的若干实体及其关系模型,方便我们的系统添加和扩展新的检索目标类型。在离线处理阶段,服务端对器官和病变检索数据集应用预先训练好的模型进行批处理,并将处理后的结果保存到数据库中,为后续的用户检索请求提供数据来源。客户端为用户提供了使用文本和上传影像对服务端的器官和病变数据集进行检索两种方式,同时为了增强用户对检索结果的可交互性,服务于更多使用场景比如医疗教学活动等,我们集成了器官与病灶三维可视化模块,根据完整序列的分割结果在检索结果中渲染器官与病灶的三维立体结构,帮助用户对检索目标的三维结构建立更加直观的认识。
翟浩宇[8](2020)在《面向模板影像学习的医学影像数据库构建研究》文中认为面对医疗大数据时代的海量医学影像资源,如何进行有效存储管理并进一步做好知识挖掘是亟需解决的难题。传统管理方法注重数据的存储与检索,忽略了对其中丰富解剖学和生理学信息的挖掘。另一方面,在医学影像的计算机辅助分析领域,特定人群的模板影像构建需要大量训练数据,急需从医学影像大数据库获取样本资源。模板影像是通过对大量样本影像进行机器学习获得的人群代表性影像,其中包含了样本人群的平均图像特征和不同个体之间的解剖形态和像素灰度差异。模板影像可被用来与个体病人影像进行配准,用于疾病诊断、人体仿真等领域。本研究以课题组常年与全国医院合作收集的大量医学影像为基础,构建数据库实现影像的存储与检索,并进一步研究算法实现海量影像的自动挖掘学习,构建不同身体部位、不同采集模式的代表性模板影像。本文研究内容包括以下三个方面:(1)构建医学影像数据库。基于课题组收集的396435幅医学影像数据设计医学影像数据库框架,实现依据图像采集信息、成像部位和病人信息的数据检索。采用MySQL搭建数据库后端提供数据存储的功能,使用Python编程实现医学影像数据的预处理与自动化存储,通过Django搭建基于Web的数据检索平台,提供医学影像数据在线查询、检索、修改与导出。(2)提出一种基于主动表观模型的模板影像生成方法,使用器官所在图像区域的变形场表示解剖形态变化,利用主成分分析法求解形状和灰度变化的主分量,进一步采用线性规划方法将这些主分量与人体生理参数相关联,最终构建了可以根据生理参数调节器官形态和像素灰度的模板影像。本方法对胸部和腰椎CT(Computed Tomography)、心脏PET(Positron Emission Computed Tomography)影像成功构建了模板影像,为不同生理特征的人群生成针对性的模板影像。(3)实现了一种基于深度学习算法的模板影像生成方法,采用无监督的Voxelmorph图像配准网络生成随人体生理参数变化的模板影像。实验结果展示了该方法可以成功生成随年龄而改变脑部结构形态的脑核磁模板影像。研究进一步对比了深度学习方法与前面的主动表观模型方法的性能,验证并分析了两种模板影像生成方法的优点与不足,主动表观模型方法具有更好的算法可解释性,深度学习方法的模型生成速度与精确度更高。本研究实现了医学影像数据库资源的有效利用,为生成中国人群的代表性医学影像奠定了初步技术基础。
童昭[9](2020)在《基于多模态学习的医学影像报告自动生成研究与应用》文中认为随着科学技术和医疗水平的发展,医院每日都会产生大量的医学影像数据,这增加了放射科医生医疗诊断及影像报告撰写的负担。医学影像报告自动生成的研究大多是基于Image Caption的模型设计,虽取得了一定的效果,但没有对医学影像特征和医学语义进行充分的分析,只是通过模型的训练使影像特征与报告中的文本特征对齐,导致所生成的医学影像报告质量不高,临床意义有限。本文提出了一种基于Topic注意力机制的医学影像报告自动生成模型(Topic-Based Attention Medical Report Generation Model,TAMRGM),此模型可以充分考虑影像报告的医学语义特征和提升深度学习训练的模型性能,自动生成更加准确的医学影像报告。首先,模型对医学影像进行了特征提取,并结合影像报告中的医学语义特征,通过加入注意力机制对影像图像和文本特征进行多模态融合,然后,利用Topic生成器完成对该影像定性的分析,逐句生成影像报告细节信息,生成高质量影像报告,最后,在OpenI数据集上,通过对TAMRGM模型进行训练和评估,利用BELU Score、METEOR、ROUGE和CIDEr评价指标对模型生成的影像报告进行了评估。实验结果表明,TAMRGM模型的效果好于 CNN-RNN、Hierarchical Generation 以及 CoAttention 模型,故,验证了 TAMRGM模型对于生成高质量医学影像报告的有效性。综上,在现有医学影像报告自动生成研究的基础上,本文提出了基于Topic注意力机制的医学影像报告自动生成模型TAMRGM,并在胸部X射线OpenI数据集上进行了模型的构建和有效性的验证。通过此研究可以辅助放射科医生快速完成影像报告的撰写,为患者提供更好的诊疗服务。
孙长建[10](2019)在《医学影像的四维重建和分割中的关键技术研究》文中研究指明医学成像和医学影像分析极大地推动了临床诊断的进步。随着数字医学影像的普及以及计算机计算能力的提升,4D(4 Dimensional)医学成像,也就是动态3D(3 Dimensional)成像,开始在该领域内发挥重要作用,其对于量化器官位移,观察体内器官运动以及评估器官的机械功能至关重要。动态成像是疾病治疗前后的器官功能分析,放射治疗期间病灶的动态跟踪和实施4D放射治疗的基础。在4D医学影像中精准地分割器官和病灶,可以最小化正常组织的损伤,最大化对目标的辐射剂量,尤其是在保护与目标相邻的关键结构中发挥作用。完整的4D医学影像重建和分析一般分为五个过程:1.动态医学图像数据的获取;2.4D医学影像的重建;3.4D医学影像中感兴趣的目标分割;4.感兴趣目标的指标量化;5.基于量化指标的分析。本文针对4D医学成像从成像到分析的全过程,从前至后对4D医学影像重建中需要的门控信息采集、4D医学影像分析中需要的分割技术等关键性问题深入研究,并在实际的临床应用中检验了研究成果。本文的主要研究内容和创新工作如下:1.现有的基于回溯性采集切片的胸部MRI(Magnetic Resonance Imaging)动态影像的难点是精准采集呼吸的门控信息。本文提出一种基于光流法追踪体内生物标志物,自动标注呼气结束点和和吸气结束点的门控技术。这种门控技术允许病人在医学影像采集过程中自由呼吸,只需简单的人工交互,就可以在很短的时间内完成大量数据自动标注。与手动标注者的标注结果相比,自动标注的方法误差很小。另外,本文还针对胸部MRI动态影像重建过程中,非正常的呼吸循环会破坏动态影像成像的完整性,影响医生对病人病情的评估等问题,提出一种非正常呼吸信号探测算法。在此基础上,还设计了更为先进完整的基于CNN(Convolutional Neural Networks)模型和LSTM(Long Short-Term Memory)模型,在自由呼吸采集切片中标注呼吸节点和检测非正常呼吸循环信号的网络框架。该框架克服了纯粹基于光流法的呼吸节点标注算法对于标注位置敏感的缺陷,提升了标注的精度。该框架下的非正常呼吸信号检测算法不需要手工设计特征来检测非正常呼吸循环信号。本文在真实临床数据上测试了该框架的可用性,可以满足临床使用的要求。2.鉴于现有分割算法无法利用多个模态的医学影像或者同一模态的不同增强期医学影像的特异性,本文设计一个基于FCN(Fully Convolutional Networks)的多通道MC-FCNs(Mutil-Channel Fully Convolutional Networks)网络。MC-FCNs网络可以利用多期增强CT(Computed Tomography)的不同增强期对病灶的显影效果不同,使用多个通道分别完成对不同增强期CT的特征学习,为每个增强期CT影像训练独立的模型参数,并且融合多个增强期影像的病灶特征。本文在真实的结直肠癌肝转移患者的临床数据中,通过分割肝脏病灶的任务中检验了该算法。与单通道的FCN相比,MC-FCNs获得了更好的肝脏病灶分割精确度。3.本文设计一个通用的4D医学影像分割框架,在两个4D的MRI数据集中,针对4D医学成像不同分割方向对精确度的影响进行研究。虽然2D医学影像中的分割算法已经在医学图像中被广泛应用,但是至今还没有相关研究报告在4D医学影像分割中,沿不同分割方向(时间维度和空间维度)对于4D医学影像的分割精度有什么影响。本文设计的4D医学影像分割算法包含两个独立的针对时间方向分割的T网络和针对空间方向分割的S网络,使用者可以自由选取4D医学影像的任意时间点或者任意位置点作为分割起点,沿着时间方向或者空间方向改变分割方向,完成整个4D医学影像的全部分割。在该通用框架下,用于分割的基本网络结构U-Net(U-Network)可以被其它的分割网络结构所替代。本文基于两个4D MRI数据集得到的测试结果,在不同分割方向上,可以为使用该框架分割4D医学影像时获得的分割精度提供参考。本文的研究内容贯穿了4D医学影像分析的全过程。在重建阶段,解决了胸部4D医学影像重建中的关键问题,实现了呼吸节点的自动标注,异常呼吸信号检测,提升了重建效率。在医学影像分析阶段,本文分别实现了基于2D(2Dimensional)医学影像和4D医学影像的分割算法。
二、医学影像中的文本信息提取方法(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、医学影像中的文本信息提取方法(论文提纲范文)
(1)基于深度学习的图像字幕生成方法研究(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 |
1.2.1 客观图像字幕 |
1.2.2 风格化图像字幕 |
1.3 本文创新点及主要工作 |
1.4 论文结构安排 |
第2章 基础理论研究 |
2.1 图像特征表示研究 |
2.1.1 残差网络的特征表示 |
2.1.2 目标检测算法的特征表示 |
2.1.3 图卷积神经网络的特征表示 |
2.2 字幕生成方法研究 |
2.2.1 基于LSTM的字幕生成方法研究 |
2.2.2 基于CNN的字幕生成方法研究 |
2.2.3 基于Transformer的字幕生成方法研究 |
2.3 其他相关技术 |
2.3.1 有序神经元长短时记忆网络 |
2.3.2 生成对抗网络 |
2.4 模型评估标准 |
2.4.1 客观图像字幕技术 |
2.4.2 风格化图像字幕技术 |
2.5 本章小结 |
第3章 基于注意力平衡机制和语法优化模块的图像字幕框架 |
3.1 问题研究 |
3.2 系统结构图 |
3.3 基于注意力平衡机制和语法优化模块的图像字幕模型 |
3.3.1 图像特征提取 |
3.3.2 注意力平衡机制 |
3.3.3 双层结构解码器 |
3.3.4 损失函数 |
3.4 实验结果分析 |
3.4.1 实验环境 |
3.4.2 数据集准备 |
3.4.3 对比模型 |
3.4.4 实验设置 |
3.4.5 结果分析 |
3.5 本章小结 |
第4章 基于风格注意力机制和反向强化模块的图像字幕生成框架 |
4.1 问题研究 |
4.2 系统结构图 |
4.3 基于风格注意力机制和反向强化模块的风格化图像字幕生成模型 |
4.3.1 图像特征编码 |
4.3.2 风格注意力机制 |
4.3.3 反向强化模块:进一步优化字幕生成模块 |
4.3.4 训练策略 |
4.4 实验结果分析 |
4.4.1 实验环境 |
4.4.2 数据集准备 |
4.4.3 对比模型 |
4.4.4 实验设置 |
4.4.5 实验结果分析 |
4.5 本章小结 |
第5章 总结与展望 |
5.1 总结 |
5.2 展望 |
参考文献 |
致谢 |
在学期间主要科研成果 |
一、发表学术论文 |
二、其它科研成果 |
(2)基于多模态数据融合的肺部肿瘤智能分析技术研究(论文提纲范文)
摘要 |
abstract |
第1章 绪论 |
1.1 研究的背景和意义 |
1.2 多模态数据融合在临床肺部辅助诊断和疗效评估中的研究现状 |
1.2.1 多模态数据融合的概念和临床诊断中的意义 |
1.2.2 多模态数据融合的方式 |
1.2.3 多模态数据融合在肺部肿瘤诊断与疗效评估中的相关技术与现状 |
1.2.4 目前研究存在的问题 |
1.3 本文的主要工作安排和创新点 |
第2章 肺部疾病诊断的计算机辅助技术概述 |
2.1 深度学习技术基础 |
2.1.1 医学影像领域深度学习技术概述 |
2.1.2 卷积神经网络的基本结构 |
2.1.3 神经网络的优化 |
2.1.4 注意力机制 |
2.2 影像组学技术基础 |
2.2.1 影像组学技术概述 |
2.2.2 影像组学研究步骤 |
2.3 本章小结 |
第3章 临床小样本数据理解关键问题研究 |
3.1 构建模型的一般步骤及临床有限数据构建模型时可能存在的问题 |
3.2 常见数据划分方法及存在的问题 |
3.2.1 简单随机采样 |
3.2.2 Trial-and-error方法 |
3.2.3 系统抽样方法 |
3.2.4 DUPLEX |
3.2.5 分层抽样 |
3.3 基于高斯混合的距离度量学习方法研究 |
3.3.1 距离度量学习网络 |
3.3.2 估计网络——基于高斯混合模型的分布估计 |
3.4 基于高斯混合的距离度量学习方法与其他方法的对比实验 |
3.4.1 实验数据 |
3.4.2 评价指标 |
3.4.3 实验步骤 |
3.4.4 实验结果 |
3.4.5 实验分析及讨论 |
3.5 基于高斯混合的距离度量学习的奇异点发现及模型泛化性能研究 |
3.6 本章小节 |
第4章 深度学习模型可靠性研究:基于距离的置信度分数 |
4.1 模型可靠性研究背景及相关工作 |
4.1.1 模型可靠性相关研究背景 |
4.1.2 模型可靠性相关研究工作 |
4.2 基于距离的置信度分数度量方法 |
4.2.1 常见输出端置信度分数 |
4.2.2 嵌入空间中基于距离置信度分数 |
4.3 模型置信度分数研究相关实验及分析 |
4.3.1 实验数据 |
4.3.2 实验设置 |
4.3.3 评价指标 |
4.3.4 实验步骤 |
4.3.5 实验结果 |
4.3.6 实验分析和讨论 |
4.4 本章小结 |
第5章 基于多模态数据的肺腺癌病理亚型鉴别技术研究 |
5.1 肺腺癌病理鉴别研究背景及相关工作 |
5.2 基于多模态数据的肺腺癌病理预测模型构建方法 |
5.2.1 数据采集 |
5.2.2 数据预处理及数据划分 |
5.2.3 距离置信度分数在多模态融合分类网络中的构建方法 |
5.2.4 基于距离置信度的多模态数据融合肺腺癌病理分类模型 |
5.3 基于距离置信度分数的多模态数据融合肺腺癌病理分类模型实验及分析 |
5.3.1 基于距离的置信度分数对比实验 |
5.3.2 多模态数据融合肺腺癌病理分类模型与同类研究的对比实验 |
5.4 临床对比 |
5.5 讨论 |
5.6 本章小结 |
第6章 基于深度学习和影像组学融合的肺肿瘤射频消融术后疗效评估 |
6.1 研究背景及相关研究 |
6.2 数据收集 |
6.3 分类器设计和训练 |
6.3.1 数据预处理 |
6.3.2 目标分割 |
6.3.3 特征选择和数据划分 |
6.3.4 分类模型构建 |
6.4 实验结果和分析 |
6.5 总结和讨论 |
6.6 本章小结 |
第7章 总结与展望 |
7.1 本文工作总结 |
7.2 今后工作展望 |
参考文献 |
附录 |
致谢 |
在读期间发表的学术论文与研究成果 |
(3)跨媒体医学图像自动标注技术研究(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 研究背景与意义 |
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 国内研究现状 |
1.2.2 国外研究现状 |
1.3 本文研究内容 |
1.4 本文结构安排 |
第二章 相关理论与研究 |
2.1 基于深度学习的特征提取 |
2.1.1 基于深度学习的图像特征提取 |
2.1.2 基于深度学习的文本特征提取 |
2.2 基于深度学习的自动标注 |
2.2.1 基于多模态的方法 |
2.2.2 基于编解码的方法 |
2.2.3 基于强化学习的方法 |
2.2.4 基于生成对抗网络的方法 |
2.3 跨模态特征融合 |
2.3.1 特征联合模式 |
2.3.2 特征协作模式 |
2.3.3 编解码模式 |
2.3.4 特征融合时机 |
2.4 注意力机制 |
2.5 本章小结 |
第三章 多模态特征融合技术研究 |
3.1 引言 |
3.2 不同模式多模态特征融合模型结构 |
3.3 不同时机多模态特征融合模型结构 |
3.4 实验与结果分析 |
3.4.1 实验数据集 |
3.4.2 数据预处理 |
3.4.3 模型训练 |
3.4.4 结果与分析 |
3.5 本章小结 |
第四章 面向疾病类别的跨模态医学图像自动标注 |
4.1 引言 |
4.2 疾病类别自动标注模型总体设计 |
4.3 多种病灶关联性分析 |
4.2.1 单模态关联性学习 |
4.2.2 跨模态关联性学习 |
4.2.3 关联性特征表示 |
4.4 实验与结果分析 |
4.4.1 实验数据集 |
4.4.2 数据预处理 |
4.4.3 模型训练 |
4.4.4 结果与分析 |
4.5 本章小节 |
第五章 面向病灶位置的跨模态医学图像自动标注 |
5.1 引言 |
5.2 病灶位置自动标注模型总体设计 |
5.3 单一病灶关键信息辅助性分析 |
5.4 实验与结果分析 |
5.4.1 实验数据集 |
5.4.2 数据预处理 |
5.4.3 模型训练 |
5.4.4 结果与分析 |
5.5 本章小节 |
第六章 基于跨媒体特征的医学影像自动标注系统设计 |
6.1 系统总体方案 |
6.1.1 系统背景与功能分析 |
6.1.2 系统模块分解 |
6.1.3 系统实现方案 |
6.2 疾病类型标注子系统 |
6.3 病灶位置标注子系统 |
6.4 系统总体展示 |
6.5 本章小节 |
第七章 全文总结与展望 |
7.1 全文总结 |
7.2 问题与展望 |
致谢 |
参考文献 |
攻读硕士学位期间取得的成果 |
(4)基于多层次特征融合的医学图像分割研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 引言 |
1.2 研究意义 |
1.3 国内外研究现状 |
1.4 论文研究内容以及组织结构 |
第二章 相关工作基础 |
2.1 医学图像分割算法流程 |
2.2 多层次特征融合思想 |
2.2.1 图像特征 |
2.2.2 多层次特征融合 |
2.3 图像特征提取与分类 |
2.3.1 残差神经网络 |
2.3.2 ResNeXt网络 |
2.3.3 Squeeze-and-Excitation Network(SE-Net) |
2.4 语义分割网络 |
2.4.1 全卷积神经网络 |
2.4.2 U-Net神经网络 |
2.5 条件随机场 (CRF) |
2.6 本章小结 |
第三章 基于对称式全卷积残差网络的牙齿图像分割 |
3.1 算法研究工作 |
3.2 算法流程 |
3.2.1 对称式全卷积残差网络架构 |
3.2.2 模型训练及参数优化 |
3.2.3 DCRF模型优化分割 |
3.3 数据预处理与实验分析 |
3.3.1 数据集准备和预处理 |
3.3.2 网络训练过程 |
3.3.3 定性评估 |
3.3.4 定量评价指标 |
3.3.5 DCRF优化前后评估 |
3.3.6 本章算法与传统算法比较 |
3.3.7 本章算法与基于深度学习算法比较 |
3.4 本章小结 |
第四章 基于分组卷积和特征通道的多层次特征融合算法 |
4.1 基础工作 |
4.2 算法流程 |
4.2.1 高效的瓶颈结构设计 |
4.2.2 编码器结构设计 |
4.2.3 解码器结构设计 |
4.2.4 搭建基于多层次特征融合的神经网络模型 |
4.2.5 训练网络模型并优化网络模型参数 |
4.3 基于多层次特征融合算法的牙齿图像分割 |
4.3.1 CBCT牙齿图像分割 |
4.3.2 分割结果定性评估 |
4.3.3 分割结果定量分析 |
4.4 基于多层次特征融合算法的腺体细胞图像分割 |
4.4.1 基础研究 |
4.4.2 腺体细胞图像预处理 |
4.4.3 腺体细胞图像分割实验 |
4.4.4 本章算法与其它算法比较 |
4.4.5 DCRF后处理优化 |
4.5 本章小结 |
第五章 总结与展望 |
5.1 全文总结 |
5.2 下一步工作展望 |
致谢 |
参考文献 |
攻读硕士学位期间取得的成果 |
(5)基于卷积自编码器的脑MRI无监督异常检测算法研究(论文提纲范文)
致谢 |
摘要 |
Abstract |
1 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.3 本文的研究内容与目标 |
1.4 本文的组织结构 |
2 基于深度学习的异常检测算法研究 |
2.1 传统异常检测方法 |
2.1.1 基于距离度量的无监督异常检测算法 |
2.1.2 基于统计分析的无监督异常检测算法 |
2.1.3 基于密度估计的无监督异常检测算法 |
2.1.4 基于聚类分析的无监督异常检测算法 |
2.1.5 基于树的无监督异常检测算法 |
2.2 深度学习与神经网络 |
2.2.1 人工神经网络 |
2.2.2 卷积神经网络 |
2.2.3 记忆网络 |
2.2.4 对抗生成网络 |
2.3 基于深度学习的无监督异常检测方法 |
2.3.1 基于自编码器的无监督异常检测方法 |
2.3.2 基于对抗生成网络的无监督异常检测方法 |
2.3.3 基于可预测性建模的无监督异常检测方法 |
2.3.4 基于自监督表征学习的无监督异常检测方法 |
2.4 本章小结 |
3 基于卷积自编码器的脑MRI无监督异常检测算法设计 |
3.1 基于重构损失的卷积自编码器的脑MRI无监督异常检测算法设计 |
3.1.1 算法概述与流程 |
3.1.2 模型结构 |
3.1.3 损失函数 |
3.1.4 异常得分 |
3.2 基于记忆增强的卷积自编码器的脑MRI无监督异常检测算法设计 |
3.2.1 算法概述与流程 |
3.2.2 编码器与解码器 |
3.2.3 记忆模块 |
3.2.4 损失函数 |
3.3 基于对抗学习和记忆增强的卷积自编码器的脑MRI无监督异常检测算法设计 |
3.3.1 对抗学习与对抗学习网络 |
3.3.2 算法概述与流程 |
3.3.3 模型结构 |
3.3.4 损失函数 |
3.3.5 异常得分 |
3.4 本章小结 |
4 实验与结果分析 |
4.1 数据集与实验设定 |
4.1.1 数据集的收集与构建 |
4.1.2 数据预处理 |
4.1.3 数据增强 |
4.2 实验配置与设定 |
4.2.1 实验设定 |
4.2.2 评价指标 |
4.2.3 实验平台与超参数设置 |
4.3 实验结果分析 |
4.3.1 定性分析 |
4.3.2 定量分析 |
4.3.3 消融分析 |
4.4 本章小结 |
5 结论与展望 |
5.1 结论 |
5.2 展望 |
参考文献 |
(6)自然语言处理在医疗器械中的应用研究(论文提纲范文)
一、自然语言处理基本内涵及工作原理 |
(一)自然语言处理的基本内涵 |
(二)自然语言处理(NLP)的工作原理 |
1. 特征提取 |
2. 特征加工 |
3. 系统训练和验证 |
二、自然语言处理的医学应用 |
(一)自然语言处理在医学报告中的应用 |
1. 胃肠道内窥镜检查报告的主要特点 |
2. 报告结构化的关键 |
3. 方案设计 |
(二)自然语言处理在医学影像中的应用 |
1. 患者个体信息分析 |
2. 患者群体信息分析 |
3. 医学影像流程信息分析 |
三、结语 |
(7)跨模态医学图像检索(论文提纲范文)
摘要 |
ABSTRACT |
符号对照表 |
缩略语对照表 |
第一章 绪论 |
1.1 研究背景 |
1.2 研究方法 |
1.2.1 特征提取 |
1.2.2 相似性度量 |
1.2.3 特征索引 |
1.2.4 图像检索性能评价指标 |
1.3 医学图像检索面临的挑战 |
1.4 国内外研究现状 |
1.5 论文内容与章节安排 |
第二章 基于多任务学习的跨模态多器官分割 |
2.1 引言 |
2.2 UNet模型简介 |
2.2.1 医学图像分割方法 |
2.2.2 UNet网络结构 |
2.2.3 图像分割指标 |
2.3 基于多任务学习的跨模态多器官分割框架 |
2.3.1 影像模态分析与器官类型推理 |
2.3.2 基于Inception v3网络的影像分类 |
2.3.3 基于改进UNet的肝脏与肺部分割 |
2.4 实验设计与结果分析 |
2.4.1 数据集说明 |
2.4.2 模型训练和测试 |
2.4.3 结果分析 |
2.5 本章小结 |
第三章 基于Faster R-CNN与样本生成的病变检测与分类检索 |
3.1 引言 |
3.2 医学图像目标检测方法 |
3.2.1 医学图像目标检测方法 |
3.2.2 Faster R-CNN网络结构 |
3.3 基于Faster R-CNN的肝脏多病变检测与分类框架 |
3.3.1 基于Faster R-CNN网络的肝脏多病变检测 |
3.3.2 基于DCGAN网络的肝脏病变分类 |
3.4 实验设计与结果分析 |
3.4.1 数据预处理 |
3.4.2 模型训练和测试 |
3.4.3 结果分析 |
3.5 本章小结 |
第四章 跨模态医学图像检索系统设计与实现 |
4.1 引言 |
4.2 医学图像检索系统架构 |
4.2.1 数据库设计 |
4.2.2 离线预处理 |
4.3 检索系统主要功能模块 |
4.3.1 器官检索 |
4.3.2 病变检索 |
4.3.3 器官三维可视化 |
4.4 本章小结 |
总结与展望 |
参考文献 |
致谢 |
作者简介 |
(8)面向模板影像学习的医学影像数据库构建研究(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 研究背景及意义 |
1.2 国内外相关研究现状 |
1.2.1 国外研究现状 |
1.2.2 国内研究现状 |
1.3 本文研究内容 |
2 医学影像数据库及模板影像学习基础理论与方法 |
2.1 医学影像数据库 |
2.1.1 数据库分类 |
2.1.2 医学影像存储结构 |
2.1.3 医学影像数据格式 |
2.1.4 数据库管理系统 |
2.2 模板医学影像 |
2.2.1 模板医学影像的定义 |
2.2.2 模板影像的应用 |
2.2.3 主动表观模型 |
2.2.4 图像配准 |
3 医学影像数据库的构建 |
3.1 影像数据介绍 |
3.2 医学影像数据库的构建 |
3.2.1 需求与功能分析 |
3.2.2 概念结构分析 |
3.2.3 逻辑结构设计 |
3.2.4 数据库实施 |
3.2.5 数据的入库操作 |
3.2.6 数据库的安全与维护 |
3.3 数据库的使用效果展示 |
3.3.1 数据库中的数据 |
3.3.2 数据检索平台 |
3.3.3 测试 |
3.4 本章小结 |
4 基于主动表观模型的模板影像学习 |
4.1 实验数据 |
4.2 算法描述 |
4.2.1 形状建模 |
4.2.2 灰度建模 |
4.2.3 关联生理参数 |
4.3 实验结果与分析 |
4.4 本章小结 |
5 基于深度学习的模板影像生成方法 |
5.1 实验数据 |
5.2 基于无监督的模板影像生成方法 |
5.2.1 Voxelmorph配准框架 |
5.2.2 模板影像生成方法 |
5.2.3 数据预处理 |
5.3 实验结果与分析 |
5.3.1 实验环境与参数设置 |
5.3.2 实验结果与分析 |
5.3.3 方法对比与分析 |
5.4 本章小结 |
结论 |
参考文献 |
攻读硕士学位期间发表学术论文情况 |
致谢 |
(9)基于多模态学习的医学影像报告自动生成研究与应用(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 研究背景 |
1.2 研究现状 |
1.3 研究的目的及意义 |
1.4 研究内容 |
1.5 论文组织架构 |
第二章 相关技术理论概述 |
2.1 多模态学习概述 |
2.1.1. 多模态学习的五个研究方向 |
2.2 核心技术概述 |
2.2.1 卷积神经网络概述 |
2.2.2 长短期记忆网络 |
2.2.3 编码器-解码器架构 |
2.2.4 注意力机制 |
2.3 基于图像描述生成方法概述 |
2.4 计算机辅助诊断概述 |
2.5 本章小结 |
第三章 医学影像报告自动生成模型TAMRGM |
3.1 TAMRGM模型概述 |
3.2 图像特征的提取 |
3.3 基于卷积神经网络的图像特征提取 |
3.4 基于Inception_V3的医学影像特征提取 |
3.5 基于注意力机制的多模态数据融合 |
3.6 基于句子级的Topic生成 |
3.7 基于注意力机制的LSTM句子生成 |
3.8 本章小结 |
第四章 基于TAMRGM报告自动生成与评估 |
4.1 实验设计 |
4.1.1 模型训练过程 |
4.2 实验设置 |
4.3 数据集简介 |
4.4 数据集的获取与预处理 |
4.5 评测指标的概述 |
4.6 实验优化 |
4.7 影像报告生成结果 |
4.8 本章小结 |
第五章 系统的设计与实现 |
5.1 需求分析 |
5.1.1 功能需求分析 |
5.2 系统总体设计与实现 |
5.3 系统的开发环境 |
5.3.1 系统功能模块实现 |
5.4 本章小结 |
第六章 总结与展望 |
6.1 总结 |
6.2 不足与展望 |
参考文献 |
致谢 |
个人简介 |
(10)医学影像的四维重建和分割中的关键技术研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 引言 |
1.2 动态3D医学影像的发展现状 |
1.2.1 动态医学影像成像算法的概述 |
1.2.2 动态医学影像成像算法的分类 |
1.2.3 基于回溯性采集切片的胸部动态医学影像重建算法概述 |
1.3 医学影像中的目标分割算法 |
1.3.1 医学影像中目标分割的意义和挑战 |
1.3.2 医学影像分割算法分类 |
1.3.3 深度学习在医学影像分割中的应用 |
1.4 研究内容和论文框架 |
第2章 基于光流法的胸部医学影像中的呼吸节点标注算法 |
2.1 TIS的医学背景 |
2.2 基于EE和 EI的4D重建算法 |
2.3 基于光流法的MRI胸部采集切片中呼吸节点的自动标注算法 |
2.3.1 呼吸门控信息生物标志物选择 |
2.3.2 基于光流法的生物标志物追踪 |
2.3.3 呼吸序列图像中的呼吸节点标注 |
2.4 实验结果和分析 |
2.4.1 实验数据采集信息 |
2.4.2 定性分析 |
2.4.3 评价标准 |
2.4.4 实验结果和分析 |
2.5 本章小结 |
第3章 基于机器学习的非正常呼吸循环检测算法 |
3.1 研究背景 |
3.2 支持向量机核函数的选择 |
3.2.1 线性可分的SVM |
3.2.2 SVM的核函数分类 |
3.3 基于手工特征和SVM分类器的非正常呼吸信号检测 |
3.3.1 呼吸信号的手工特征构建 |
3.3.2 非正常信号数据仿真和扩充 |
3.3.3 基于径向基核函数的SVM分类器的训练 |
3.4 实验结果和分析 |
3.4.1 实验数据采集信息 |
3.4.2 评价标准 |
3.4.3 实验结果和讨论 |
3.5 本章总结 |
第4章 基于深度学习的胸部医学影像中的呼吸节点标注 |
4.1 研究背景 |
4.2 卷积神经网络和循环神经网络 |
4.2.1 卷积神经网络的基本结构 |
4.2.2 RNNs和 LSTM |
4.2.3 几种常用的激活函数 |
4.3 基于深度学习的胸部医学影像中的呼吸节点标注算法研究 |
4.3.1 基于卷积神经网络的标志物动态呼吸信息提取 |
4.3.2 基于标志物呼吸信息的呼吸节点标注 |
4.3.3 基于深度学习的非正常呼吸信号检测 |
4.4 实验结果和分析 |
4.4.1 实验数据采集信息 |
4.4.2 吸气和呼气切片分类的准确性 |
4.4.3 自动标记EE和 EI的误差 |
4.4.4 异常信号的识别率 |
4.4.5 时间成本的评估 |
4.5 本章小结 |
第5章 基于全卷积神经网络的腹部CT肝脏病灶分割算法 |
5.1 研究背景 |
5.2 卷积神经网络在多增强期的CT影像中的肝脏病灶分割算法研究 |
5.2.1 全卷积神经网络 |
5.2.2 多通道的全卷积神经网络 |
5.2.3 基于迁移学习的模型优化训练 |
5.3 实验结果和分析 |
5.3.1 数据准备与实验环境 |
5.3.2 评价标准 |
5.3.3 时间成本的评估 |
5.3.4 实验结果和讨论 |
5.4 本章小结 |
第6章 动态医学影像中的器官分割算法 |
6.1 研究背景 |
6.2 U-Net网络 |
6.3 基于S网络和T网络的动态医学影像中的器官分割算法研究 |
6.3.1 ROI的选择 |
6.3.2 纯基于图像的S-网络和T-网络 |
6.3.3 基于连续预测信息的S+网络和T+网络 |
6.4 实验结果和分析 |
6.4.1 数据图像采集的信息 |
6.4.2 评价标准 |
6.4.3 基于不同数据集的分割过程 |
6.4.4 不同数据集的分割结果 |
6.5 本章小结 |
第7章 总结与展望 |
7.1 论文总结 |
7.2 未来工作展望 |
参考文献 |
攻读博士学位期间取得的科研成果 |
致谢 |
四、医学影像中的文本信息提取方法(论文参考文献)
- [1]基于深度学习的图像字幕生成方法研究[D]. 刘侨. 齐鲁工业大学, 2021(09)
- [2]基于多模态数据融合的肺部肿瘤智能分析技术研究[D]. 郑德重. 中国科学院大学(中国科学院上海技术物理研究所), 2021(01)
- [3]跨媒体医学图像自动标注技术研究[D]. 张天. 电子科技大学, 2021(01)
- [4]基于多层次特征融合的医学图像分割研究[D]. 王艺霖. 电子科技大学, 2021(01)
- [5]基于卷积自编码器的脑MRI无监督异常检测算法研究[D]. 侯金磊. 浙江大学, 2021(01)
- [6]自然语言处理在医疗器械中的应用研究[J]. 胡雪婵,韩雪峰. 吉林省教育学院学报, 2020(06)
- [7]跨模态医学图像检索[D]. 周海彬. 西安电子科技大学, 2020(05)
- [8]面向模板影像学习的医学影像数据库构建研究[D]. 翟浩宇. 大连理工大学, 2020(02)
- [9]基于多模态学习的医学影像报告自动生成研究与应用[D]. 童昭. 宁夏大学, 2020(03)
- [10]医学影像的四维重建和分割中的关键技术研究[D]. 孙长建. 吉林大学, 2019(02)