检索结果-南通市图书馆

作者：吴亿明南昌大学

学位级别：硕士

肋骨骨折是一种非常常见的胸部损伤,交通事故、高空坠落以及日常运动都有可能造成肋骨骨折的情况,并且可能会引发严重的并发症。医学上通常是通过计算机断层扫描技术(CT)以判断是否骨折以及骨折的位置,但是由于一例CT数据中包括序列的C... 详细信息

肋骨骨折是一种非常常见的胸部损伤,交通事故、高空坠落以及日常运动都有可能造成肋骨骨折的情况,并且可能会引发严重的并发症。医学上通常是通过计算机断层扫描技术(CT)以判断是否骨折以及骨折的位置,但是由于一例CT数据中包括序列的CT图像,造成医师人工阅片困难和效率低下。并且由于肋骨骨折的复杂性和多样性,以及与其他胸部损伤的相似性,使得传统的方法漏检率和误检率高,而基于深度学习的肋骨骨折检测方法具有检测效果好、速度较快等优势。本文将基于深度学习的方法对肋骨骨折的自动检测展开研究。针对此次的肋骨骨折检测任务,本文选用的数据集为公开数据集和合作医院数据集两种。公开数据集Rib Frac共包含660例CT影像,转换成切片共计28682张。合作医院数据集包含140例患者的肋骨骨折数据集,经由专业医师标注的有50例CT影像,含有骨折位置的切片有4356张。两个数据集的纳入标准一致,具备一致性和合格稳定性,能够混合进行训练。本文采用的肋骨骨折检测算法为YOLOv8s网络,用该网络模型与其他几种主流目标检测算法做对比实验,通过对实验结果分析,YOLOv8s网络模型的平均准确率均值(mAP＿0.5)能够达到0.8942,并且精确度和召回率均超过其他算法模型,验证了本文所选用网络的可行性。以选用的YOLOv8s模型为基准,针对存在的一些问题进行改进,加入合作医院数据集解决了样本类别不均衡的问题;提出一种新的C2f-faster模块使网络更加轻量化,推理速度也由之前的18.9ms/张下降到12.4ms/张;添加注意力机制使其更加关注感兴趣的部分,有效提升模型的检测精度;分类损失函数改进解决模型的难样本分类问题。最终使用所有改进方案将m AP＿0.5从0.8942提升到0.9468。并通过预测结果和原网络模型对比,实际预测结果明显好于原网络模型。本文提出的基于改进YOLOv8s的肋骨骨折检测模型能有效解决传统方法漏检率和误检率较高、医师工作量大、效率低等问题,为肋骨骨折的高精度检测提供良好的解决方案,并显著减轻医师的工作负担。

关键词：肋骨骨折检测深度学习 YOLOv8s 注意力机制

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

医学图像中肋骨骨折检测与分类算法研究

医学图像中肋骨骨折检测与分类算法研究

作者：匡健苏州大学

学位级别：硕士

近年来,随着计算机技术的发展和人工智能的兴盛,人们对于计算机视觉的研究也进一步深入,在工业、军事、交通等领域都取得了长足进展,其中以医学领域的技术革新最为引人注目。肋骨骨折作为一种常见骨科疾病,主要通过相关医疗设备对患者... 详细信息

近年来,随着计算机技术的发展和人工智能的兴盛,人们对于计算机视觉的研究也进一步深入,在工业、军事、交通等领域都取得了长足进展,其中以医学领域的技术革新最为引人注目。肋骨骨折作为一种常见骨科疾病,主要通过相关医疗设备对患者胸腔肋骨的医学图像进行采集,最后由医生根据影像进行诊断。在借助机器学习、深度学习方法后,医疗设备可以提取肋骨骨折图像的特征并在此基础上实现初步判断。作为现代医疗辅助技术的重要工具,人工智能在医学图像中的研究已得到了广泛的应用。为进一步提高肋骨骨折辅助诊断效率,除了需要改进医学图像采集技术,获得大量高分辨率的医学图像外,设计有效的深度学习算法来提高骨折检测的准确率也已成为目前亟待解决的问题。本文利用医学常用的计算机断层扫描图像,对肋骨骨折检测与分类展开研究,主要工作总结如下:首先,本文提出了一种基于SKNet（Selective KernelNetwork）的3D肋骨骨折检测算法。鉴于医学图像的三维特性,在获取医学图像并构建肋骨骨折数据集后,该方法首先在数据集中提取三维图像数据样本,较之于二维图像数据,保证了肋骨骨折空间结构的完整性。此后将样本输入基于SKNet的3D神经网络实现肋骨性质的确定,在SKNet自适应感受野的作用下可提取更多有效的特征。实验结果说明,所提出的算法有效地分离出肋骨区域,提升了分类的准确率,最终实现了 3D肋骨骨折自动检测。然后,本文提出了一种改进的3D残差收缩网络实现肋骨骨折的多分类。该方法可以针对肋骨图像数据中存在的噪声,借助注意力机制,实现了特征的软阈值化,从而达到了降噪的目的。除此之外,针对数据中出现的不平衡问题,引入了 Focal Loss损失函数,在进行模型训练的过程中动态缩放交叉熵,对于易于分类的样本给予更低的loss权重,而将较高的权重赋予难以训练的数据样本。实验结果表明,该方法提高了肋骨骨折多分类的准确率。最后,结合前两章中的检测与分类任务,设计并实现一个的肋骨骨折自动化检测系统。该系统将根据患者的胸腔计算机断层扫描图像,通过后台的数据处理与模型腿短,自动检测出肋骨骨折的位置和骨折类型,最后将诊断结果可视化后回馈给专业医师作为诊断建议。

关键词：计算机视觉医学图像肋骨骨折检测深度学习

面向胸腔CT的深度学习辅助肋骨分割与肋骨骨折检测算法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

面向胸腔CT的深度学习辅助肋骨分割与肋骨骨折检测算法研究

作者：周正寅苏州大学

学位级别：硕士

肋骨是人体的重要组成部分,肋骨骨折是一种常见的肋骨损伤。胸腔CT成像是辅助诊断肋骨相关疾病的首选工具。近年来,深度学习技术快速发展,将其应用于肋骨相关疾病的辅助诊断,有着巨大的潜力。本文针对胸腔三维CT中的肋骨成像,开展了针... 详细信息

肋骨是人体的重要组成部分,肋骨骨折是一种常见的肋骨损伤。胸腔CT成像是辅助诊断肋骨相关疾病的首选工具。近年来,深度学习技术快速发展,将其应用于肋骨相关疾病的辅助诊断,有着巨大的潜力。本文针对胸腔三维CT中的肋骨成像,开展了针对肋骨分割和肋骨骨折检测任务的研究,开发相关深度学习算法,以辅助医疗诊断。本研究的内容主要包括以下三个部分:(1)基于传统图像算法的肋骨分割算法分割精度不高,且易丢失肋骨。基于深度学习的3D分割算法能结合更多的信息,但是资源消耗大,往往需要多次下采样或者使用分块推断的方式进行分割,会影响分割精度;而2D网络资源需求更少,但不能很好地结合各张CT切片间的信息。为了解决这些问题,本研究针对胸腔三维CT成像中的肋骨分割任务,提出了一种名为ISF-UNet(Inter Slice Fusion UNet)的2.5D网络。针对肋骨区域目标较小的问题,ISF-UNet减少了下采样次数,并使用Dense ASPP来提取多尺度信息。ISF-UNet的输入为一组CT切片,网络利用2D CNN来提取切片内的信息,并使用 ISF-Transformer(Inter Slice Fusion Transformer)来融合各张切片间的信息。在RibSeg数据集上的实验结果显示,ISF-UNet取得了 96.79%Dice值和99.44%肋骨召回率,在肋骨分割任务上的表现超越了其他深度学习分割算法。(2)肋骨骨折是一种常见的肋骨损伤,准确诊断肋骨骨折十分重要。已有一些工作对使用深度学习算法进行肋骨骨折检测进行了初步尝试,但由于肋骨骨折区域较小,形状多样且不规则,该任务仍有较大挑战。为了解决这个问题,本文提出了一种肋骨骨折检测算法,包括肋骨分割,3D滑动窗口分割和后处理三个步骤,用于更准确地检测肋骨骨折。该算法利用由双注意力模块增强的分割网络CSFG-UNet(Channel-wise Fusion Attention&Spatial-wise Group Attention UNet),在 3D 滑动窗分割阶段准确分割肋骨骨折区域。双注意力模块包括通道融合注意力模块(Channel-wise Fusion Attention Module,CFAM)和空间分组注意力模块(Spatial-wise Group Attention Module,SGAM)。CFAM关注特征图通道间的关系,使用通道注意力机制来沿通道维度重新加权特征映射。SGAM使用分组卷积技术生成空间注意力图,以保留更多细粒度的空间信息,帮助网络从空间维度调整特征图。最后,本研究在自建的肋骨骨折检测数据集上进行了实验,结果显示,本文所提出的肋骨骨折检测算法达到了89.74%的最高敏感度,平均FROC得分为81.41%,均优于现有方法。(3)在大规模的医学影像数据集中,难免会有噪声标签的存在,深度学习网络容易过拟合噪声标签,从而对网络性能产生不利影响。为了解决这个问题,本文提出了一种对噪声标签鲁棒的框架,来帮助深度学习网络从带有噪声标签的数据中学习。该方法通过Mean Teacher模型对训练过程中的神经网络参数进行集成,从而提升教师模型预测的鲁棒性,并将教师模型的输出作为伪标签监督网络的学习。此外,该框架通过衡量伪标签和真实标签之间的相似度来筛选噪声标签,动态决定标签监督和伪标签监督之间的权重。伪标签中也会存在噪声,该框架通过不确定度估计的方式排除伪标签中噪声的监督信号。最后,本文在RibSeg数据集和肋骨骨折检测数据集上模拟了噪声标签,并进行了实验。实验结果显示,对于肋分割算法,在25%和50%噪声的情况下,使用框架训练,分割Dice值分别提升了 2.72和3.31个百分点,对于肋骨骨折检测算法,检测的平均FROC值提升了 3.27个百分点,说明了本文所提出的方法有效性。

关键词：医学影像胸腔CT 深度学习肋骨分割肋骨骨折检测噪声标签

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于卷积神经网络的肋骨骨折检测算法研究

基于卷积神经网络的肋骨骨折检测算法研究

作者：李俊南昌大学

学位级别：硕士

肋骨骨折是临床医学上常见的胸部损伤之一,是一种发病率较高的疾病。当前,主要是利用计算机断层扫描(CT影像)来判断肋骨的骨折位置,而一个病人的三维CT影像通常由大量切片组成,影像科医生长时间的诊断可能会造成疲劳,导致误诊,进而影响... 详细信息

肋骨骨折是临床医学上常见的胸部损伤之一,是一种发病率较高的疾病。当前,主要是利用计算机断层扫描(CT影像)来判断肋骨的骨折位置,而一个病人的三维CT影像通常由大量切片组成,影像科医生长时间的诊断可能会造成疲劳,导致误诊,进而影响治疗质量。因此,对肋骨骨折的高效率诊断尤为重要,利用深度学习的算法模型辅助医生进行肋骨骨折判断能够显著降低人工误差。本文针对以上问题,开展了基于卷积神经网络的肋骨骨折检测研究来辅助诊断。针对此次肋骨骨折检测任务,本文使用YOLOv5算法作为此次检测实验的网络模型。预处理后的数据输入模型后,网络中的Focus模块以及CSP模块首先对输入图片进行特征提取操作,读取图像的空间信息等。其次,进入到特征融合模块,采用FPN+PAN的设计模式,将深层的语义信息与低层的位置信息进行融合拼接,得到了信息完备的预测特征图。最后通过CIo U损失函数计算特征图与真实值的差距,不断更新权重参数,再通过非极大值抑制的后处理过程,去除多余预测框并保留下分数最高的预测框。本文不仅与合作医院共同建设了包含140例患者影像的合作肋骨骨折数据集,资历深的医生们准确的标注出了其中50例CT影像中的骨折位置以及骨折类型,并在系列切片影像中标明了存在骨折的区间范围;还采用了肋骨骨折检测与分类国际挑战赛的公开数据集,该数据集共包含660例CT影像。本文使用以上两种数据集来训练验证算法模型的泛化性和稳定性。为进一步提高检测效果,本文从输入端、主干网络、损失函数三个方面对算法进行改进。首先对输入端的数据进行改良,主要将合作数据集中的部分图像补充进原始数据集中,以解决骨折类型样本数量不均衡的问题。其次,在网络中添加注意力模块来强化图像中关键特征点对实验的影响,并将原特征提取网络替换为Efficient Netv2模型,提高模型检测性能。损失函数改用SIo U函数,提升对预测框的回归精度。改进后的算法有效提高了平均准确率均值(m AP),m AP值从0.8849提升到0.9384。

关键词：卷积神经网络 CT影像肋骨骨折检测

基于多任务和元学习的医学图像病变识别与分割算法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于多任务和元学习的医学图像病变识别与分割算法研究

作者：韩娟华侨大学

学位级别：硕士

随着日益繁琐的医疗工作及医学成像技术的逐步成熟,计算机辅助诊断与医疗的紧密结合成为了现代医学伟大进步的里程碑。肝脏肿瘤和肋骨骨折是医生常遇见的疾病,具有高发病率、死亡率和误诊率。但是肝脏肿瘤形状多样,结构各异,肋骨骨折病... 详细信息

随着日益繁琐的医疗工作及医学成像技术的逐步成熟,计算机辅助诊断与医疗的紧密结合成为了现代医学伟大进步的里程碑。肝脏肿瘤和肋骨骨折是医生常遇见的疾病,具有高发病率、死亡率和误诊率。但是肝脏肿瘤形状多样,结构各异,肋骨骨折病灶区域目标较小,放射科医师手动标注费时费力,并在过程中易出现漏判、误判现象。因此,为了简化整体流程,提高医疗工作者的工作效率,获得高精度的结果,提出相关快速全自动分割/检测算法具有十分重要的临床意义。本文针对肝脏及其肿瘤分割和肋骨骨折检测分别提出了有效方法,其主要思想是利用自适应多视角加权融合方式联动医学图像先验知识。具体研究如下:(1)针对多任务CT图像空间上下文信息和运用模型先验知识的问题,提出一个结合二维深度卷积神经网络亮点和三维块状数据优势的全卷积神经网络分割模型:基于多任务和元学习的肝脏肿瘤CT图像卷积分割网络。其以2D网络为基础完成肝脏肿瘤3D分割任务,并取得优异分割精度。该模型使用权值生成网络,多视角衡量每一个像素点所属的位置,以加权融合的模式补充二维切片数据所缺失的信息,形成自适应多视角加权融合分割网络,用以提升分割性能。(2)针对肋骨骨折CT图像的小目标区域难检测,结合肋骨骨骼先验知识和特征金字塔式网络优势,提出了一个级联金字塔结构全卷积神经网络检测模型:基于关键点推测和元学习的肋骨骨折CT图像卷积检测网络。利用三级检测机制驱动模型逐级由粗至细、由大像素区域至小像素点定位骨折病灶区域,结合权值生成网络,形成自适应多视角级联特征金字塔加权融合检测网络,给网络减负的同时,对于小目标检测精度效果提升,减少假阳性产生。本文分别在两个具有挑战性的Li TS 2017和Rib Frac 2020公开数据集上,对提出的两种方法做了详细的实验论证。结果表明,本文所提出的方法具有竞争力的结果。

关键词：肝脏肿瘤分割肋骨骨折检测多视角加权融合先验信息

基于深度学习的胸腔医学影像辅助诊断算法设计与应用

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的胸腔医学影像辅助诊断算法设计与应用

作者：洪敏杰苏州大学

学位级别：硕士

近年来,以深度学习算法为代表的人工智能理论与实践飞速发展,推动了多个研究与应用领域的变革。深度卷积神经网络已经广泛应用在了各大计算机应用中,在某些分类任务上甚至已经能够超出人类的识别能力。为了响应政府提出的“智慧医疗”... 详细信息

近年来,以深度学习算法为代表的人工智能理论与实践飞速发展,推动了多个研究与应用领域的变革。深度卷积神经网络已经广泛应用在了各大计算机应用中,在某些分类任务上甚至已经能够超出人类的识别能力。为了响应政府提出的“智慧医疗”建设构想,与医学相交叉的辅助诊断算法与应用研究成为了计算机视觉领域中的一大热点问题,涌现出了许多基于深度学习的医学辅助诊断算法。基于深度学习算法实现的医学影像辅助诊断系统能够有效缓解临床放射科医师的工作负担,减少漏诊甚至误诊的情况出现。本文研究了基于深度学习的胸腔医学影像辅助诊断算法设计与应用,总结了前人的相关研究工作,提出了改进与提升方法,主要工作包括以下三个方面:(1)为克服目标检测算法在肋骨骨折检测任务中的局限性,提出了一种基于轻量级MobileNet网络的空间多尺度信息融合模型的肋骨骨折检测算法。将肋骨骨折检测分两个阶段:首先基于图像处理算法提取医学影像中的骨骼区域,将提取得到的肋骨区域通过线性插值方式获得多种尺度大小的肋骨图像;然后采用空间多尺度3D MobileNet卷积神经网络模型融合的方式实现肋骨骨折性质的分类。该网络模型在某医院影像数据集上的实验结果表明,空间多尺度信息模型融合能够有效提升肋骨骨折检测的准确率。(2)为提高卷积神经网络结节检测的准确率,降低误报,提出了一种基于注意力机制的肺结节检测算法,引入注意力机制后的3D卷积神经网络能够对特征映射分别在通道和空间两个层次上进行增强,起到抑制任务无关区域的作用。3D区域提案网络输出层用于生成候选肺结节区域,最后通过非最大抑制算法去除冗余的候选结节区域,得到肺结节检测结果。该网络模型在LUNA16数据集上的实验结果表明,引入注意力机制的卷积神经网络能够有效提升肺结节检测的准确率。(3)结合(1)和(2)中的两大胸腔医学影像检测任务,设计并实现了一个基于深度学习的胸腔医学影像辅助诊断系统。辅助诊断系统划分为了三个模块:数据持久化模块、模型推断模块和诊断可视化模块。该辅助诊断系统根据患者的检查类型,通过后台搭建的处理流程完成医学影像数据预处理和模型推断工作,将检测结果作为诊断建议可视化返回给临床放射科医师,辅助医师完成诊断工作。

关键词：深度学习肋骨骨折检测肺结节检测医学影像计算机辅助诊断