检索结果-南通市图书馆

A Novel Inherited Modeling Structure of Automatic Brain Tumor Segmentation from MRI

Computers, Materials & Continua 2022年第11期73卷 3983-4002页

作者： Abdullah AAsiri Tariq Ali Ahmad Shaf Muhammad Aamir Muhammad Shoaib Muhammad Irfan Hassan A.Alshamrani Fawaz F.Alqahtani Osama M.Alshehri Radiological Sciences Department College of Applied Medical SciencesNajran UniversityNajran61441Saudi Arabia Department of Computer Science COMSATS University IslamabadSahiwal CampusSahiwal57000Pakistan Department of Informatics and Systems University of Management and TechnologyLahore54000Pakistan Electrical Engineering Department College of EngineeringNajran UniversityNajran61441Saudi Arabia Department of Clinical Laboratory Sciences Collage of Applied Medical ScienceNajran UniversityNajranSaudi Arabia

Brain tumor is one of the most dreadful worldwide types of cancer and affects people leading to *** resonance imaging methods capture skull images that contain healthy and affected *** checked the affected tissue in the slice-by-slice manner,which was timeconsuming and hectic ***,auto segmentation of the affected part is needed to facilitate ***,we have considered a hybrid model that inherits the convolutional neural network(CNN)properties to the support vector machine(SVM)for the auto-segmented brain tumor *** CNN model is initially used to detect brain tumors,while SVM is integrated to segment the tumor region *** proposed method was evaluated on a publicly available brats2020 *** statistical parameters used in this work for the mathematical measures are precision,accuracy,specificity,sensitivity,and dice ***,our method achieved an accuracy value of 0.98,which is most prominent than existing ***,the proposed approach is more suitable for medical experts to diagnose the early stages of the brain tumor.

关键词： Brain tumor support vector machine convolutional neural network brats classification

来源：

维普期刊数据库评论

在线全文

维普期刊数据库

学校读者我要写书评

暂无评论

基于增强学习的医学图像病变区域提取方法研究

基于增强学习的医学图像病变区域提取方法研究

引用

作者：张铭丰电子科技大学

学位级别：硕士

医学图像处理在医学诊断、临床治疗等方面起着重要的作用,但目前医学图像的分析和诊断主要是靠放射科医师人工阅片完成。受制于落后地区医疗水平的限制、病人病理学的个体差异等诸多因素,传统的人工阅片存在着极大挑战,使得实现一个能... 详细信息

医学图像处理在医学诊断、临床治疗等方面起着重要的作用,但目前医学图像的分析和诊断主要是靠放射科医师人工阅片完成。受制于落后地区医疗水平的限制、病人病理学的个体差异等诸多因素,传统的人工阅片存在着极大挑战,使得实现一个能够自动化准确提取出医学图像中病变区域的技术至关重要。另一方面,增强学习正在越来越广泛的领域崭露头角,例如游戏博弈、机器视觉等,在某些领域内甚至达到了超越人类的表现,被认为是迈向人工智能的重要途径,因此,增强学习具备了被应用至医学图像处理领域的潜力。基于上述原因,本文探究了增强学习在医学图像病变区域提取中的应用。具体而言,本文构建了基于增强学习的模型,用于brats数据集的脑肿瘤分割任务,其主要工作如下:（1）对brats数据集进行相关的分析及预处理,预处理包含数据标准化和数据增强两个方面。对此,本文探究了几种主流的处理技术,并通过相关实验验证了Z-score标准化、随机旋转、随机镜像翻转的有效性。（2）通过探究分析Mask R-CNN系列模型,提出了一个增强语义分割框架RSF,用于融合语义分割网络和增强学习网络,该模型的共享特征提取基干和语义分割分支可以采用任意的主流网络结构,而其增强学习分支可提供关注区域用于改善分割结果。本文还分别对RSF的组成部分进行了对比实验,从而选定了DenseNet和U-Net作为RSF的特征提取基干以及上采样结构,并证实了RSF能够提升某些类别的分割准确率。（3）在RSF的基础上,通过分析3D数据切分方式的特点,提出了一个基于增强学习的伪3D注意力网络RPAN,该模型能够将原始3D数据在切分维度上的先验知识,通过增强学习以注意力的形式引入网络,从而提高当前帧的分割效果。本文还通过一系列实验验证了RPAN的相关模块的结构合理性,并且整体实验结果表明,RPAN能够在进行快速分割的同时达到较高的准确率,由此进一步证实了增强学习在医学图像处理领域的应用具备巨大潜力和可行性。

关键词：增强学习语义分割医学图像 brats

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度信任网络的脑肿瘤提取方法的研究与实现

基于深度信任网络的脑肿瘤提取方法的研究与实现

引用

作者：李雪瑞电子科技大学

学位级别：硕士

脑肿瘤疾病的高发病率和多发性引起了人们对这一类疾病的高度重视,所以对于这方面的研究意义重大。随着计算机辅助医疗诊断在医学领域的广泛使用,对于脑肿瘤的精确分割成为脑肿瘤疾病辅助诊断的关键步骤,它能够为临床医生和研究人员提... 详细信息

脑肿瘤疾病的高发病率和多发性引起了人们对这一类疾病的高度重视,所以对于这方面的研究意义重大。随着计算机辅助医疗诊断在医学领域的广泛使用,对于脑肿瘤的精确分割成为脑肿瘤疾病辅助诊断的关键步骤,它能够为临床医生和研究人员提供肿瘤的大小、位置以及病变类型等有效信息,同时精确的定位脑肿瘤和直观的脑肿瘤病理分析,使得脑肿瘤疾病的治疗方案具备可靠的依据。在目前的临床诊断过程中,很大程度上都是依靠临床医生的经验来人工的手动分割脑肿瘤,这种方法容易受主观判断的影响且结果准确度不高。因此在本论文中提出了一个自动高效的脑肿瘤提取方法。近年来,多种深度学习方法在医学图像领域的使用为论文所提出模型提供了理论和技术支持。在本文中,首先介绍了目前深度学习在医学图像处理方面的相关研究,然后结合深度信任网络的基本思想和分类特性来引入本文的关键技术,并以此为支撑提出了基于深度信任网络的脑肿瘤提取模型。该模型由脑图像的预处理、基于深度信任网络的脑肿瘤分割和脑肿瘤提取三个部分构成。每一部分的主要研究内容如下:1)针对不同数据源和多种格式的数据做了图像预处理,这一处理过程主要包括图像配准颅骨剥离、图像降噪以及图像增强三个方面,并且对每一方面的相关技术进行研究总结。预处理后的脑图像解决了多数据源和不同数据格式图像的差异性问题,使得实验结果能够横向对比。2)利用深度信任网络的优秀的分类特性,将对脑肿瘤的分类问题转化为分割操作,并经过映射后得到初步的脑肿瘤提取结果。3)根据初步提取的脑肿瘤的结果不同类型做相应的后处理得到最终的精确提取结果。在该模型的基础上,通过在华西临床MRI数据和公开数据集brats上的实验进行验证,表明该论文中所提出方法的有效性。提取结果在定性和定量分析的基础上,还与相关领域的论文和实验做了结果对比,也证明了该模型在对于脑肿瘤提取方面取得了较好的效果。

关键词：计算机辅助医疗诊断深度信任网络脑肿瘤提取临床MRI brats

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

脑肿瘤MRI的并行CNN多尺度特征分割技术研究

脑肿瘤MRI的并行CNN多尺度特征分割技术研究

引用

作者：冯博文内蒙古科技大学

学位级别：硕士

脑肿瘤图像分割是医学图像处理中的一个重要分支。其目的是通过对颅内影像数据进行智能化处理获得肿瘤的位置、尺寸、形态结构和骨质破坏等信息,为肿瘤专家提供用于诊断的可靠依据。在脑肿瘤统计数据中,神经胶质瘤是最常见的中枢神经系... 详细信息

脑肿瘤图像分割是医学图像处理中的一个重要分支。其目的是通过对颅内影像数据进行智能化处理获得肿瘤的位置、尺寸、形态结构和骨质破坏等信息,为肿瘤专家提供用于诊断的可靠依据。在脑肿瘤统计数据中,神经胶质瘤是最常见的中枢神经系统疾病,约占原发性肿瘤的80%,常见于儿童和青年人群。高级别胶质瘤具有形态多变、浸润生长的特点。对于肿瘤占位性压迫的患者,开颅检查有可能对患者造成神经损伤,因此专家一般对脑影像数据进行诊断。在智能化的非侵入性检查算法中,单纯依靠强度阈值和纹理特征等特点构建的模型,其预测结果与真实标签相比准确率低,很难在实践中获得广泛应用,因此需要开发一种可靠的自动分割算法。本文针对脑肿瘤图像病灶分割的任务设计了两个深度学习模型,分别是基于U-Net模型的编码器-解码器结构和一个双通路三维并行卷积网络。编码器-解码器结构已经被证实在医学图像分割的多个领域具有良好性能,因此本文在U-Net模型的基础上构建了针对MRI图像三维数据的空间结构,将分割结果与金标准进行对比,计算其Dice系数与其他全卷积算法进行对比。U-Net在医学图像分割中的良好表现得益于两点。第一,U-Net的收缩路径可以获得图像中上下文信息。第二,扩张路径中融合了相同尺寸的特征图,可以获得多尺度特征。为了适应计算机显存的限制,本文在采样阶段随机提取了多尺度图像块作为网络的输入,完成数据增强,解决可训练标注数据较少的难题。第二种分割算法是由一个空洞卷积网络和一个密集全连接网络并行连接所组成。并行卷积网络首先提取多尺度图像块执行训练,捕获大感受野空间信息,并利用密集连接的恒等映射特性将浅层特征叠加到网络末端,在MRI多模态图像中分割出水肿区、增强区、非增强区和囊化区。在brats 2018验证数据的实验中测试了该模型分割结果中全肿瘤、核心区和增强区的平均Dice分别约为0.90、0.73和0.71,在实验中超过了单通路的空洞网络和密集连接网络分割结果的精度,与目前会议中已发表的优秀算法成绩相当,且具有较高的自动化集成度。

关键词：三维图像处理脑肿瘤空洞卷积密集连接 brats

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：