一、DIRECT VOXEL-PROJECTION FOR VOLUMETRIC DATA RENDERING IN MEDICAL IMAGERY（论文文献综述）
张小川[1]（2021）在《高精度高内涵小鼠全脑图谱构建及其在阿尔兹海默症小鼠中的应用》文中研究指明在全脑范围同时获取多种结构的高分辨图谱对于深入揭示脑功能及神经系统疾病的发病机制具有重要意义。目前已有的成像技术和方法在实现大尺度、高分辨率的多种脑结构元素同步成像方面面临着巨大的挑战。作为严重威胁人类生命健康的神经退行性疾病之一,阿尔兹海默症（Alzheimer’s disease,AD）常伴随广泛的脑组织学和病理学变化:一方面,脑血管结构和功能异常在AD发生发展中的重要性日益得到认可,在全脑尺度介观水平上,脑血管特别是毛细血管在AD病理中的形态和解剖学改变仍有待阐明;另一方面,已有多种成像手段揭示了 Aβ斑块的结构和分布特征,也有多通道荧光标记等方法观察到Aβ斑块对脑结构的影响,然而依然缺乏在全脑范围内针对Aβ斑块及其周围环境三维构筑的高精度、跨尺度研究。针对上述问题,本文发展了一种全脑成像策略,并采用此策略构建了 AD小鼠多种脑结构的高精度图谱。本文第一部分进行了小鼠全脑成像技术的平台搭建及后续图像处理分析,以完成全脑高精度图谱绘制方法的建立。为了实现全脑高分辨率成像以及成像后海量复杂数据的处理与解读,本文首先开展显微光学切片断层成像（Micro-Optical Sectioning Tomography,MOST）技术的应用以及构建高效数据分析流程,主要包含样本制备、数据采集、图像预处理与优化、海马分割、三维可视化重建与定量分析、虚拟内窥等环节,解决了低信噪比图像增强、噪声图像质量优化、高空间复杂度三维数据的快速渲染和量化分析等在数据处理方面依然面临诸多挑战的难题。对C57BL/6小鼠的全脑血管网络精细可视化显示了皮层、丘脑和海马等区域具有各自独特血管模式,其中海马的平均血管直径、血管长度密度、血管体积分数均最低。完整海马的高精度重建揭示了其“耙”式血管分布模式,齿状回（DG-ml）分子层的主要血管在直径和分支角度上均发生突变,呈现出独特的梳状毛细血管分布模式。对单枝海马血管的虚拟内窥从独特的视角观察血管腔的内表面形态、平滑度以及分岔模式,可以提供常规可视化手段不能涉及的血管腔内信息。本文第二部分对APP/PS1转基因小鼠的全脑血管系统进行了高分辨的可视化重建和定量分析,首次在亚微米级别分辨率上系统性地描述了 AD病理相关的海马血管分布和形态模式的变化。运用已建立的MOST技术平台及数据分析路线率先获得了 APP/PS1转基因AD小鼠及其野生型对照的Nissl染色全脑数据集,构建了包含从直径几十微米的大血管到小于2微米的毛细血管的完整小鼠全脑跨尺度三维血管图谱。通过系统定量分析野生型与APP/PS1小鼠的脑血管网络,发现APP/PS1小鼠海马血管的平均血管直径、血管体积分数均显着降低。进一步对海马不同亚区的比较分析揭示了齿状回分子层（DG-ml）的平均血管直径、血管长度密度及血管体积分数的降低程度最为显着。对单枝血管分支模式的量化分析结果表明,APP/PS1小鼠血管分支角度显着变小,导致单枝海马血管的血液灌注面积减少。最后虚拟血管内窥检查揭示了 APP/PS1小鼠与野生型小鼠在血管管腔内壁粗糙度、分支节点平滑度上均有显着差异。上述结果证明了对小鼠脑血管的高分辨率跨尺度评估的能力,并系统揭示了海马微循环尤其是齿状回在AD病理中的损伤。本文第三部分对5×FAD转基因AD小鼠全脑Nissl染色数据集进行高精度的三维重建,首次实现基于Nissl染色的小鼠全脑Aβ斑块分布可视化,首次在同一小鼠全脑中构建了 Aβ斑块及其周围胞体、神经树突、神经束和血管的高精度全景图。针对高通量明场图像背景复杂、灰度异质性导致的高难度信号提取和图像处理问题,设计了包含“虚拟通道分割”和“特征融合”的多种结构信号提取和同步可视化方法,并据此开展多种结构的高精度跨尺度的全脑构筑研究。全脑Aβ斑块密度最大区域及大尺寸斑块分布最密集区域均为内嗅皮层和邻近的海马腹侧下托区域,提示Aβ病理可能最早出现在这些最密集的区域。在全脑范围,Aβ斑块分布较密集的区域通常具有相对较多的胞体且处于血管远端,而神经纤维束在Aβ斑块相对稀疏的区域较为密集;在局部脑区,皮层区域可视化和定量分析均显示Aβ斑块密集区靠近胞体丰富的深部区域,而海马内的Aβ斑块成层状分布在锥体细胞层和颗粒细胞层附近;在亚微米分辨水平,海马辐射层内Aβ斑块周围的神经树突显示出明显的弯曲或截断,海马下托的毛细血管穿过斑块内部或附近,也呈现一定程度截断或变形且表面粗糙度高。此外,本文最后选取了可能影响血管的舒尼替尼、西地那非和可替宁进行给药实验及行为学测试,然后选取行为学变化趋势最明显的可替宁给药小鼠进行多结构同步可视化方法,发现给药后皮层Aβ斑块数量呈下降趋势,而海马区域无明显变化;垂直于脑表面的较粗的皮层血管在给药后呈增多趋势,且皮层血管体积分数显着增加,而海马区域给药后血管形态参数无明显变化。这些结果显示了基于MOST技术的三维可视化方法可能用于研究药物效应。本文提供了一种针对高通量灰度图像进行信息提取和可视化重建的方法,从而完成了对全脑范围内多种结构元素的高精度同步可视化。对全脑范围内多种结构信息的清晰展示为深入理解AD相关病理状态下的大脑解剖结构特征提供了新思路。本文对正常小鼠全脑血管网络尤其是海马血管分布模式的清晰描绘、对AD小鼠脑血管的系统评估和Aβ斑块及其周围多结构的同步可视化,不但促进了在介观水平对正常以及AD病理状态下的小鼠脑基本结构的深入认识,也可能为AD相关药物临床前开发提供新参考。
马啸天[2]（2021）在《基于深度学习的心脏磁共振图像自动分割和辅助诊断算法研究》文中研究表明心脏磁共振成像（MRI）是判断心脏结构和功能的“金标准”,准确获取心内结构是计算心脏临床指标的关键步骤,为心血管疾病的诊断提供指导。临床上需要专家手动描绘左心室、右心室和心肌的轮廓,然而手动分割费时费力,且存在标准差异,结果可能因人而异。因此,需要一种快速、准确、可重复、完全自动化的心脏分割的方法。在精确分割后还可计算临床参数,辅助诊断心血管疾病。本文研究国内外心脏MRI图像分割算法,提出了基于深度学习的短轴心脏MRI自动分割算法,并设计心脏MRI自动分割与辅助诊断模型。其中本文提出的基于深度学习的短轴心脏MRI自动分割算法,基于DenseNet和U-Net的网络结构进行改进,用于短轴心脏MRI的语义分割。心脏MRI自动分割与辅助诊断模型首先对输入的心脏MRI进行自动分割。自动分割包括预处理和分割两个步骤。预处理包括:首先对短轴心脏MRI数据进行感兴趣区域检测,使用了 Canny边缘检测和霍夫变换,然后进行数据标准化和数据增强。分割使用基于DenseNet和U-Net改进的语义分割模型,损失函数使用加权交叉熵损失、Dice损失、L2正则化的组合,对ROI的结果进行分割。根据分割结果计算相关临床参数,进行特征提取,并设计分类器进行病理分类。本文的实验基于2017年举办的自动心脏诊断挑战赛（ACDC）数据集,实验结果表明,本文实现了精确的心脏感兴趣区域自动分割和辅助诊断方法。本文提出方法成功地从心脏MRI中自动分割出左心室、右心室和心肌,通过与挑战中领先的其他分割方法进行对比,取得了优秀的结果,验证了本文方法的有效性。此外,设计的分类器在测试数据集上达到了 94%的准确率。
郭晓宇[3]（2021）在《医学图像中的血管分割算法研究》文中提出血管作为血液的运输通道遍布全身,对维持人体正常的生理机能有着非常重要的作用。随着医学影像技术的不断发展,各种针对血管的医学成像方式相继被提出,这让医生能够通过非介入的方式提前了解病人病灶区域的血管信息,对临床诊断、手术规划和手术仿真等有着重要的辅助意义。目前,血管影像需要医生逐切片手工勾勒才能实现血管分割,这是大量重复而且繁琐的工作。对于这一问题,运用计算机图像处理算法实现血管自动分割是一个很好的解决方式。实现血管自动分割不仅能够减轻医生的工作量,而且分割结果更加客观,甚至能够达到或超越手工分割血管的精度,有助于实现计算机辅助医疗。本文研究了视网膜血管、脑血管和肝脏血管的成像特点,分别提出了三种血管分割算法。具体内容和创新点总结如下:1、针对二维视网膜血管图像,提出了一种基于Dense-U-net和Inception模块（DI-U-net）使用生成对抗网络的策略进行训练的视网膜血管分割算法。在网络模型中,对基础的U-net模型进行了两方面的改进:（1）用Dense Block代替跳跃连接,实现浅层特征图和深层特征图的充分融合;（2）用Inception模块代替传统的卷积运算,从而能够提取不同尺寸的卷积核所对应的血管特征。在训练过程中,把DI-U-net作为GAN的生成器,然后再构建一个多层神经网络作为判别器,进行交替训练。整个算法在公开的视网膜血管数据集（Digital Retinal Images for Vessel Extraction,DRIVE）上进行了验证,其中DSC 达到 82.15%,AU-ROC 和 AU-PR 分别达到 0.9772 和 0.9058。实验表明,该算法能够实现视网膜血管的自动分割。2、针对时间飞跃法磁共振脑血管造影图像,提出了一种基于Multiple-U-net（M-U-net）脑血管分割算法。首先,对原始的TOF-MRA图像以体数据为单位进行归一化预处理,然后,按照横截面、矢状面和冠状面分别把三维TOF-MRA数据分为3组二维切片数据集,并分别训练3个Single-U-net模型。最后,对3个不同方向的U-net的预测结果进行投票特征融合和基于连通域分析的后处理。从公开的MIDAS数据集中选取了 95组脑血管MRA数据,其中20组作为训练集,5组作为验证集,剩下的70组平均分为10个测试集。通过分析模型在验证集上的表现,确定最优的Epoch和其他超参数。实验表明,我们提出的M-U-net算法在验证集和测试集上的DSC分别达到了 88.60%和87.93%,其性能优于任何的Single-U-net。与己有的其他算法相比也达到了先进水平。3、针对计算机断层扫描肝脏血管造影图像,提出了一种基于三维图割、中心线提取和断支重连的肝脏血管分割算法。首先,对腹部CT图像进行了血管增强滤波和降噪处理,用于增强肝脏内血管区域和非血管部分的灰度对比度。然后,使用三维图割算法对肝血管进行初始分割,并用细化算法提取出初始分割结果的血管中心线。再进一步,对血管中心线端点进行拟合方向和连接配对,获取完整的血管中心线树。最后,基于血管半径和血管中心线树对初步分割结果中断裂的部分进行补全,获取血管分割的最终结果。我们在公开的肝脏影像数据集（3D Image Reconstruction for Comparison of Algorithm Database,3DIRCADB）上验证了算法的有效性,其中准确性达到了 97.8%、敏感性达到了 66.2%、特异性达到了 98.7%。从二维图像到三维图像,从低噪声干扰到高噪声干扰,本文递进式地提出了不同的分割算法以适应不同的血管影像数据。所提出的三种血管分割算法分别在不同的公开数据集上进行了测试,也分别与已有的算法进行了横向对比,验证了算法的有效性。同时,我们所提出的三种算法也进行了递进式的纵向对比,说明了三种算法对于不同特点的血管影像具有针对性的良好表现。
蒋鑫[4]（2020）在《融合X射线热声成像的肺部CT图像增强方法研究》文中指出X射线成像质量是为医学CT图像分析处理提供空间对应关系的基础。由于图像外观建模的复杂性和变形配准模型的计算复杂性,如何在低剂量的X射线能量照射下成像为高质量的CT图像是目前急需解决的难题。X射线热声成像技术作为近年来发展迅速的新兴成像技术,这种混合成像技术可以将CT图像的高对比度和声学的高分辨率相结合,使其成为医学影像中具有广泛前景的成像方法,而传统的成像技术（包括CT,B超和MRI）则存在对比度低,某些组织类型的特异性,以及与高剂量电离辐射相关的其他风险。尽管为提高CT成像质量和降低X射线剂量的前沿方法研究已进行了重大工作,但由于各种实际原因,建立低剂量高分辨率的CT成像系统以及将其应用于广泛的临床应用仍具有挑战性。首先,X射线热声成像的前沿领域使用的迭代重建方法需要沉重的计算负担,并且大多数以前的工作只是对X射线热声效应进行分析,并没有综合传统CT成像的优势。而且,设计一种CT图像高分辨率重建方法也是一项挑战,目前已经提出了一些基于深度学习的方法,但是需要大量的高分辨率CT样本来训练模型,并且训练样本的标注成本很高。本文致力于解决X射线在肺部的热声成像以及应用于提高肺部CT图像质量中的上述问题。针对低剂量成像的需求,从进一步提高CT成像质量为出发点,本文以X射线热声效应为基础,结合当前CT成像的优势,围绕快速成像、多模态图像配准和CT图像超分辨率重建的关键问题,开展的主要研究工作如下:（1）本文选择人体肺部组织作为研究部位,创建了肺部数字体模,并且搭建了X射线热声成像的模拟平台,在平台内模拟了X射线源能量、热声效应在肺部的初始声压和圆弧分布的超声探测器,并将探测器获取的热声信号进行滤波反投影重建,以满足低剂量CT成像的需求。在重建过程中,分析了该方法在肺部成像的应用中所需的最低剂量。（2）针对热声图像与CT图像的融合配准的特征分割需求,提出了一种新的半监督三维深度神经网络。该模型通过使用DSB数据集中的强标签和LUNA数据集中的弱标签训练该网络,从而输出肺部CT图像的所有可疑肿瘤结节。该模型可以按顺序同步提取两种标签,并在模型训练过程中通过一个加权传递函数将两个对象组合在一起。实验结果证明了所提出的方法可以显着提高肺结节检测的准确性。（3）模拟不同病人的肺部数字体模,并同时进行X射线热声成像与CT成像,得到配准的训练数据集,本文根据这些数据集基于上述提出的分割模型,先对图像的肿瘤特征进行分割提取。然后针对医学图像的流体配准特性,以大变形微形态度量映射模型为基准,通过卷积神经网络对模型进行参数化,并在一组图像上优化神经网络的参数。给定一对新的配准扫描训练,体素配准可以直接通过网络参数来快速计算变形场。（4）基于生成对抗网络,建立了一个可进一步提高CT图像质量的超分辨率重建模型,可从低分辨率对应对象中准确恢复高分辨率CT图像。特别的,本文使用了一个由16个残差块组成的深层非监督网络来设计生成器,并基于监督网络构建一个判别器,以减少每个隐藏层输出的维数。然后提出了四种类型的损失函数来构建新的损失函数,以加强生成器和判别器之间的映射。最后删除了常用残差网络中的批量规格层,以构造一种新型的残差网络。本文的创新点主要包括:（1）提出了一种新的半监督卷积迁移深度神经网络来对三维肺部CT图像进行肿瘤特征初始分割,以作为将X射线热声图像配准到原始CT图像的基础编解码框架,该方法可以在缺乏标注数据的条件下,与主流分割方法相比,其分割效果Dice系数提高了6%左右。（2）提出了一种基于流体模型的用于病理图像配准的肺部CT与热声图像配准方法,该方法先进行病理图像的分割,使配准更加准确,有望加快医学图像分析和配准的速度,同时为基于深度学习的配准及其应用提供了新的方向。（3）提出了一种生成对抗网络方法来进行CT图像的超分辨率重建,以进一步提高图像质量。在实验方面,采用先进的方法进行了客观和主观的综合评估。与主流深度学习方法相比,本文提出的网络结构在超分辨率图像重建中的峰值信噪比提高了5%左右,并且重建速度加快了30%左右。
夏章涛[5]（2020）在《基于电影绘制的血管内超声图像三维重建》文中指出冠状动脉粥样硬化性心脏病,也叫做“冠心病”,严重威胁着人们的生命健康。血管内超声成像设备能够提供冠脉横截面图像,被认为是冠心病诊断的新“金标准”。对血管内超声图像序列进行三维重建,医生能多角度观察血管的空间形态结构及内部斑块分布,从而提高医生对心血管疾病诊断的准确性以及客观性。医学图像的三维重建中,目前在临床中使用最多的是体绘制方法,相比面绘制,其能有效呈现物体内部形态,但受其渲染理论限制,依旧难以达到人眼所见现实世界的真实感。电影绘制是近年来提出的一种新颖的医学图像渲染理论,该技术灵感来自于电影、动画产业。本文基于电影绘制的思想构建血管内超声图像的三维重建模型,并探索其在血管内超声图像上的表现力,并分别从心动周期的分离、血管内超声图像的滤波、光照模型的构建、光线采样算法的优化四个方面进行研究。研究主要工作如下:（1）提出了一种血管内超声图像心动周期的非线性累加分离方法。摒弃传统的心动特征线性加权提取法,构建心动周期的幂级数函数模型,通过多特征非线性累加法拟合,最后进行聚类筛选并验证。该心动函数模型大大提高了心动周期分离的效率与准确度。（2）提出了一种血管内超声图像综合降噪算法。提出在心动周期分离的基础上使用多图像平均滤波和改进的双边滤波,以降低血管图像中的随机噪声和斑点噪声;并在单帧图像进行中值滤波与Frost滤波,最后取平均;结果显示本文综合降噪方法既有多帧图像的共性,又含单帧图像的特异性,明显优于其它算法。（3）设计了一种基于物理光照的电影绘制渲染模型。高度模拟自然光现象,构建光线吸收加反射加散射的渲染模型,并与现临床使用最多的体绘制三维重建方法对比,本文三维重建模型的血管更加逼真且对血管中斑块有更强的表现力。（4）提出了一种高效的光线采样算法。反函数法拟合采样点分布,并在采样接受率中引入梯度比重项,以重点渲染图像的高频区域加快图像收敛,仿真结果表明本文光线采样法在渲染质量与渲染速度上均有明显提升。
蒲笑秋[6]（2020）在《基于EUS的多模态消化道肿瘤图像融合技术研究》文中指出众所周知,图像显示的信息是直观、具象的,所谓“百闻不如一见”。为了获得人体体内器官图像信息,超声无疑是常用的一种医学检查和诊断的手段,其应用可谓十分广泛,在消化、泌尿、妇产及心血管等科室的日常检查中均有使用。据估计,作为消化系统疾病之消化道肿瘤已成为我国最常见的恶性肿瘤,食管癌、胃癌和结直肠癌每年有超过100万人因此而死亡,对消化道肿瘤的预后做出改善的最关键也是最简单的措施就是早期治疗。有鉴于此,本文依托国家重点研发项目“数字诊疗装备研发”重点专项“电磁声光耦合式陡脉冲高压电场（s PEF）无创胃癌治疗系统研制”（项目编号:2018YFC0115300）,以消化道肿瘤电磁学、光学和声学物理特征的变化规律为切入点,依据EUS检查的消化道肿瘤超声图像,开展了消化道肿瘤超声图像三维重建技术及其三维超声图像与光学内镜图像融合技术等研究工作。主要包括:（1）在广泛调研国内外文献与阅读基础上,明确了肿瘤消融程度实时评估是确保肿瘤消融安全有效的关键因素。基于此,针对消融过程中从生物形态表征上缺乏特异、明确的衡量指标,研究分析了消化道肿瘤的形态特征、位置及边界范围的确定,这对于早癌的精准治疗,其意义十分深远。（2）鉴于存在因超声图像本质特征导致的模糊不明边界,因生理运动或操作取向导致的虚假边界,以及广泛存在高水平斑点噪声等不利影响,很难直接利用现有算法实现医学超声图像的三维重建,为此,开展了超声图像滤波处理等数字图像预处理研究工作。提出了一种基于稀疏表示的图像滤波算法,其对于合成散斑图像和实际医学超声影像的去噪在主观评价和CNR等客观指标上均能取得良好效果。（3）针对可见光图像和超声影像特征信息不匹配,空间信息不对称,直接融合匹配难度大的问题,采用了三维重建后融合的思路,详细分析了面绘制和体绘制的特点,并选用光线投射算法完成了超声影像的重构。结果表明体绘制重建更具优势,与未滤波的重建效果相比,利用本文算法进行滤波后重建的三维图像能够更好的对图像信息进行展示。（4）由于常用的消化道内镜检查得到的二维可见光图像无法提供更多有用的解剖信息,为此阐述了单一模态的局限性和多模态图像的互补性,通过多模态图像配准和融合挖掘多源生物信息的内在关联性,建构了配准融合2D可见光图像和3D超声图像的原理及技术方法。即,通过从重建的3D超声体积创建2D超声投影并将其配准到光学图像来配准这两种不同的图像,配准完成后,则将可见光图像投影到3D超声上完成融合,并结合主观评价对其进行评估。研究结果表明,该程序结合肿瘤生物学信息,将可见光图像和超声图像进行有效融合,可以从宽度和深度两个维度确定肿瘤浸润范围。不仅可对肿瘤病灶实现多角度多层次的定位和分析,而且为肿瘤诊断分期以及后续治疗的肿瘤消融效果提供可靠精确的辅助判断信息。
陈雯[7]（2020）在《基于深度学习技术的异构临床数据分析系统的设计与实现》文中认为将计算机辅助诊断系统应用于日常临床诊断可在一定程度上减轻医生的工作负担,然而传统的计算机辅助诊断系统在应对规模逐渐增大的临床数据集时已有些力不从心,深度学习技术的出现,使得利用计算机技术对大规模临床数据进行分析诊断成为了可能。医生对疾病的诊断通常要结合电子病历文本数据、医学影像数据、检查指标数据等多种结构及模态的临床数据作为判断依据,然而目前常见的基于深度学习技术的计算机辅助诊断系统大多仅使用单一结构或模态的检查数据进行分析,导致获得的特征信息存在局限性,使得产生的辅助诊断结论缺乏对患者病情的全面考量。因此,本文设计并实现了基于深度学习技术的异构临床数据分析系统,通过融合诊断过程中产生的多种临床数据进行分析,得出更精准的辅助诊断结论。系统采用了深度学习技术对异构临床数据按照模态进行建模和分析,并针对数据模型使用决策级融合策略,设计并实现了投票法和权重法两种融合方法对各诊断子模型的决策值进行统计计算,以此实现了异构临床数据的融合分析。此外,本文还使用了具有多种结构及模态临床数据的阿尔茨海默症公开数据集,对系统的数据预处理、模型性能及融合方法的效果进行了对比评估。实验结果验证了本文设计并实现的诊断模型及融合方法的有效性,证明了综合异构多模态数据进行考量的方式不仅更贴近真实的诊断流程,还有助于医生把握患者整体病情、获得更准确的判断结果。
夏闻进[8]（2020）在《基于CT影像的A型肉毒杆菌毒素咬肌注射技术评估和注射区域定位》文中研究指明咬肌肥大是指单侧或双侧咬肌的无症状扩大,通常会导致方形的下颌面轮廓,在亚洲人的审美中一般认为这是不美观的。在人们对美的要求普遍越来越高的今天,针对咬肌的A型肉毒杆菌毒素（BoNT-A）注射疗法由于它的低侵入性以及对咬肌肥大良好的治疗效果已经在亚洲得到了广泛的临床应用。然而,如今主流的BoNT-A咬肌注射技术基本是从临床实践中总结而来,尚未有研究基于解剖结构信息对咬肌注射技术进行统计学上可信的定量评估。头部CT影像数据中包含咬肌以及其他相关解剖结构的解剖信息,并且相较于解剖样本它更容易大量获得,因此使用CT影像来对BoNT-A注射技术进行评估是一种很有意义的想法。此外,根据面部重建相关的医学研究,人的面部轮廓隐式地编码了咬肌的位置和形态等信息,因此仅凭人的面部轮廓特征来定位咬肌的注射区域是一个值得探索的方向。本文提出了一套基于CT影像的针对BoNT-A注射的医学可视化系统,围绕BoNT-A咬肌注射展开了以下四个方面的研究:首先提出了一套基于卷积神经网络的下颌骨与咬肌分割框架。该网络是一种新型的多任务框架,其中Ro I定位和区域内分割这两个任务共享同一个骨干编码器网络。结合编码器给出的区域提议,从编码器中裁剪出多层次的Ro I区域特征,形成了一个GPU显存效率高的解码器以保持分割的细节,从而扩大了适用的体积大小和有效感受野。为了更高效地训练模型,设计了基于Dice的损失函数用于全局到局部的多任务学习过程。以53例头部CT图像数据进行了咬肌与下颌骨的分割实验,在准确性和效率方面明显优于经典的三维图像框架V-Net。其次实现了咬肌与下颌骨的三维可视化与测量。本系统包含了完整的基于CT影像的三维可视化渲染管线,能够以面绘制的方式对咬肌、下颌骨等与注射相关的解剖结构进行可视化,并且提供了基于光线投射的注射路径模拟及咬肌厚度测量等算法以供后续研究使用。此外,本系统还实现了基于3D形状的解剖标志点交互式标注以便生产后续研究需要的标注数据。然后基于CT影像分析了BoNT-A咬肌注射的解剖学基准,并定量地评估了主流的BoNT-A咬肌注射技术。我们基于咬肌、下颌骨和面部皮肤的三维网格表示,根据从临床医学文献中总结的规则提出了一套可量化的基于咬肌分区的解剖学基准,并使用计算机图形学技术定量地模拟了数套主流的咬肌注射技术并基于解剖学基准对它们进行评估,最终得到基于口角-耳垂参考线的咬肌注射技术是目前临床上最佳的。最后使用深度学习的方法对注射区域进行了定位。我们基于Point RCNN网络以3D目标检测的方式,将基于口角-耳垂的咬肌注射技术模拟得到的注射区域作为真值,在50例样本上训练了从人的面部3D点云数据检测咬肌注射区域的网络模型并进行了评估。由于面部三维特征与注射区域之间的联系相当隐晦,因此相对于主流的3D目标检测问题而言这是一个相当困难的任务,但我们仍然得到了较好的性能指标。
陈军[9]（2020）在《面向椎弓根钉置入手术的虚拟现实系统关键技术研究》文中研究说明随着医疗水平的不断提升,人们对医师的手术技能期望也越来越高。椎弓根钉准确置入是脊柱外科手术医生必须掌握的技能之一,现阶段的训练方式通常是在脊柱的标本或者基于假人的训练模拟器上练习椎弓根钉置入过程,但是由于样本的稀缺性以及成本的高昂性,实习医师很难有足够的机会进行相应的手术训练。随着高新技术日新月异的发展,科研人员提出将临床医学与虚拟现实（Virtual Reality,VR）技术相结合而发展的虚拟手术仿真系统（Virtual Reality Surgery System,VRSS）,为医生培训提供了新思路。本文基于虚拟现实的椎弓根钉置入手术仿真系统关键技术进行研究,旨在搭建更完善的虚拟手术系统。本文主要贡献如下:首先,本文对一个完整的虚拟手术系统进行需求分析,设计了面向椎弓根钉置入手术的虚拟仿真系统的整体框架,确立了基于触觉与视觉双交互通道仿真系统的框架。从软硬件两个方面对系统进行设计,软件部分采用OpenGL（Open Graphics Library）图形渲染库实现图形渲染实现视觉交互,OpenHaptics触觉渲染库进行二次开发实现触觉渲染,设计了椎弓根钉置入手术仿真系统的软件实现方案;然后,为了更好的还原真实手术场景,本文使用真实的人体CT数据进行三维重建。首先对医院所采集的CT图形进行预处理,然后在图像分割过程中使用基于区域生长方法与图像融合方法相结合的技术实现感兴趣区域的提取,最后基于移动立方体算法（Marching Cube,MC）实现脊柱解剖模型三维可视化。本文所搭建的三维重建模块支持旋转、缩放以及任意切片的裁剪,是虚拟手术系统的重要组成部分;接着,搭建了椎弓根钉置入手术过程中高速旋转的骨钻和骨组织之间相接触时的力预测模型。高效的碰撞检测算法对系统中虚拟手术器械与手术对象进行实时的检测,若检测碰撞结果为“是”,则将冲量动力学原理用于本文的椎弓根钉置入虚拟手术中,根据骨钻的状态信息对力的大小实时预测更新,然后由力反馈设备传递给使用者,实现虚拟手术的力触觉交互;最后,本文使用基于 CUDA（Compute Unified Device Architecture）的 GPU（Graphics Processing Unit）加速技术,实现了椎弓根钉置入手术的钻骨手术操作模拟。CPU与GPU分工合作,对海量的体素节点信息进行存储与信息传递,大大加速了视觉与触觉的响应速度,提高了刷新率与实时性,为实现基于混合数据模型的椎弓根钉操作仿真提供了可能。最终完成对各个模块进行集成,并在所搭建的虚拟手术系统中进行钻骨仿真实验。仿真实验结果表明,利用该技术搭建的椎弓根钉置入仿真系统,视频流刷新率在30Hz以上,触觉响应刷新率在500Hz以上,可以有效再现椎弓根钉置入的虚拟操作。
牛晗晗[10]（2020）在《基于肺部CT气管壁增强的气管分割及可视化系统》文中研究说明近年来,医学影像技术的发展越来越迅猛,其普及的程度也变得更加的广泛。其中,计算机断层成像技术（Computed Tomography,CT）因为它的分辨率较高并且功能较为强大而成为临床诊断中最为常用的技术。肺部CT成像作为一种医学筛查方法,在诊断与检测肺癌中非常有效。但对于目前的CT检测,医生只能靠着自己的临床经验,通过观察二维切片图像来判定损伤的部位,难以精准地确定损伤部位的大小、位置和几何形状,所以有必要进一步深入解读图像中所包含的生物信息。CT图像可视化可以很好地帮助医护工作者诊断病情、模拟手术及术前规划,因而研究医学CT图像可视化技术有着至关重要的意义和研究价值。肺气管是人体中极为重要的组织结构,其精确分割结果有利于医生诊断和分析肺部疾病,并可以提供给医生有效的医学导航功能,有利于术前手术方案制定和术中分析。但由于肺部CT会受到部分体积效应和噪声的影响,从而导致在气管分割过程中会出现泄漏现象,因此在气管分割的过程中尽可能识别小的支气管壁以及减少泄漏有重要的研究意义。针对上述所出现的问题,本文开发了一个基于肺部CT气管壁增强的气管分割及可视化系统。1.在可视化模块中,通过结合VTK、Qt以及ITK,对医学DICOM影像进行读取和可视化分析,并显示冠状面、矢状面、横截面数据图像,肺部CT的内部结构通过VTK进行三维重建后并显示。2.在CT图像预处理模块中,为了缩短处理时间,气管分割必须只关注于肺部区域,本文通过二值化处理、形态学开运算操作、三维区域生长以及形态学闭运算等一系列操作对CT进行预处理,进而提取出肺掩模,减少计算量。3.在肺气管粗分割模块中,本文主要采用自适应阈值的六邻域区域生长方法对主气管进行粗分割。4.在气管精细分割模块,本文主要提出了一种强化CT图像气管壁增强的区域生长分割算法,这一模块的重点集中在支气管壁的识别上,并分为了四个步骤:三级分割步骤、气管壁修补、判决步骤以及分割过滤步骤。利用局部信息增强支气管壁的二维过程,从而可以检测到更小的支气管区域。
二、DIRECT VOXEL-PROJECTION FOR VOLUMETRIC DATA RENDERING IN MEDICAL IMAGERY（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、DIRECT VOXEL-PROJECTION FOR VOLUMETRIC DATA RENDERING IN MEDICAL IMAGERY（论文提纲范文）
（1）高精度高内涵小鼠全脑图谱构建及其在阿尔兹海默症小鼠中的应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 前言 |
| 1.1 全脑尺度成像和标记技术的发展 |
| 1.2 显微光学切片断层成像技术用于全脑高分辨成像 |
| 1.3 AD相关的脑血管研究 |
| 1.3.1 AD相关脑血流变化 |
| 1.3.2 AD相关脑血管结构性变化 |
| 1.3.2.1 脑血管细胞病理变化 |
| 1.3.2.2 脑血管基底膜病理变化 |
| 1.3.3 全脑血管成像技术简述 |
| 1.3.3.1 脑血流变化的检测 |
| 1.3.3.2 全脑尺度血管构筑成像 |
| 1.4 淀粉样斑块及其周围多种结构的研究 |
| 1.4.1 Aβ斑块成像方法研究 |
| 1.4.2 Aβ斑块形态特征及分布 |
| 1.4.3 Aβ斑块对神经结构的影响 |
| 1.5 本文立题依据 |
| 1.6 本文研究内容 |
| 1.6.1 MOST技术应用平台与高通量图像数据分析流程搭建 |
| 1.6.2 获取高分辨全脑血管图谱跨尺度研究AD病理中脑血管的变化 |
| 1.6.3 全脑尺度多种结构信息的同步可视化 |
| 1.6.4 其他工作 |
| 第2章 MOST技术应用拓展与高通量数据分析流程搭建 |
| 2.1 实验动物 |
| 2.2 材料与试剂配制 |
| 2.3 实验方法 |
| 2.3.1 Nissl染色小鼠全脑样本制备方法 |
| 2.3.2 小鼠全脑样本数据采集 |
| 2.3.3 图像预处理与优化 |
| 2.3.4 海马结构的手动分割 |
| 2.3.5 血管网络的可视化 |
| 2.3.6 血管网络的定量分析 |
| 2.3.7 统计分析 |
| 2.4 实验结果 |
| 2.4.1 MOST系统整体工作流程 |
| 2.4.2 MOST图像预处理与优化处理 |
| 2.4.3 冠状面厚切片的直接体绘制与MIP渲染 |
| 2.4.4 海马结构手动分割及信息提取 |
| 2.4.5 海马内血管分布模式分析 |
| 2.5 本章小结 |
| 第3章 AD模型小鼠全脑血管构筑研究 |
| 3.1 实验动物 |
| 3.2 实验方法 |
| 3.2.1 WT与APP/PS1小鼠海马血管网络的系列可视化与比较分析流程 |
| 3.2.2 统计分析 |
| 3.3 实验结果 |
| 3.3.1 APP/PS1小鼠海马血管系统异常 |
| 3.3.2 APP/PS1小鼠海马血管灌注面积降低 |
| 3.3.3 APP/PS1小鼠虚拟血管内窥影像分析 |
| 3.4 本章小结 |
| 第4章 全脑Aβ斑块及其周围多结构同步可视化 |
| 4.1 实验动物 |
| 4.2 实验方法 |
| 4.2.1 5×FAD小鼠全脑Nissl染色样本的制备与采集 |
| 4.2.2 荧光标记方法验证全脑Nissl染色方法显示Aβ斑块的正确性 |
| 4.2.3 石蜡切片常规Nissl染色 |
| 4.2.4 全脑多种结构信息的同步可视化 |
| 4.2.5 5×FAD小鼠灌胃给药实验及后续图像分析 |
| 4.3 实验结果 |
| 4.3.1 MOST结合小鼠全脑Nissl染色获得多结构信号的同步显示 |
| 4.3.2 不同灰度分布的多结构信号的同步可视化方法 |
| 4.3.3 Aβ斑块分布的全脑可视化 |
| 4.3.4 全脑Aβ斑块及其周围胞体、神经束、血管的同步可视化 |
| 4.3.5 皮层和海马局部区域Aβ斑块、胞体及血管的空间分布关联性 |
| 4.3.6 Aβ斑块周围神经树突的结构异常 |
| 4.3.7 Aβ斑块相关的血管损伤 |
| 4.3.8 全脑多种结构同步可视化评价可替宁对AD小鼠的影响 |
| 4.4 本章小结 |
| 第5章 结论与展望 |
| 5.1 主要内容总结 |
| 5.2 主要创新点 |
| 5.3 研究意义 |
| 5.4 展望 |
| 第6章 其他工作:MOST/FMOST技术应用于肺脏研究 |
| 6.1 材料与试剂配制 |
| 6.2 实验方法 |
| 6.2.1 小鼠全肺Nissl染色样本的制备与采集 |
| 6.2.2 小鼠全肺荧光样本的制备与采集 |
| 6.2.3 全肺数据集的处理与可视化 |
| 6.3 实验结果 |
| 6.3.1 MOST结合全肺Nissl染色实现小鼠全肺气道和血管系统的高精度重建 |
| 6.3.2 小鼠气道和血管系统的三维形态特征分析 |
| 6.3.3 全肺尺度可吸入制剂颗粒分布的高精度分析 |
| 6.3.4 局部区域呼吸道内表面聚集的可吸入颗粒分析 |
| 6.4 总结与讨论 |
| 参考文献 |
| 已发表论文或授权专利 |
| 致谢 |
| 附录Ⅰ 英文缩写词表 |
（2）基于深度学习的心脏磁共振图像自动分割和辅助诊断算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 研究现状 |
| 1.2.1 医学图像分割面临的挑战 |
| 1.2.2 分割挑战与数据集 |
| 1.2.3 深度学习方法 |
| 1.3 本文研究内容及创新点 |
| 1.3.1 本文研究内容 |
| 1.3.2 本文创新点 |
| 1.4 论文结构 |
| 第二章 相关理论工作 |
| 2.1 数据集介绍 |
| 2.2 感兴趣区域检测技术 |
| 2.2.1 Canny边缘检测 |
| 2.2.2 霍夫变换 |
| 2.3 深度学习语义分割相关技术 |
| 2.3.1 卷积神经网络 |
| 2.3.2 全卷积网络 |
| 2.3.3 U-Net |
| 2.3.4 DenseNet |
| 2.4 网络模型训练 |
| 2.4.1 损失函数 |
| 2.4.2 激活函数 |
| 2.4.3 批量归一化 |
| 2.4.4 优化器 |
| 2.5 性能评估指标 |
| 2.5.1 Jaccard系数 |
| 2.5.2 Dice系数 |
| 2.5.3 豪斯多夫距离 |
| 2.6 病理分类 |
| 2.6.1 临床病理分类 |
| 2.6.2 特征分类技术 |
| 2.7 本章小结 |
| 第三章 基于DenseNet和U-Net改进的心脏MRI图像分割网络 |
| 3.1 相关网络模型技术 |
| 3.1.1 残差网络结构 |
| 3.1.2 密集连接块 |
| 3.1.3 Inception模块 |
| 3.1.4 全卷积DenseNet |
| 3.2 基于DenseNet和U-Net改进的心脏MRI分割网络 |
| 3.2.1 网络结构 |
| 3.2.2 损失函数 |
| 3.3 实验结果分析 |
| 3.3.1 实验设置 |
| 3.3.2 实验结果分析 |
| 3.4 本章小结 |
| 第四章 自动分割与辅助诊断模型 |
| 4.1 自动分割与辅助诊断模型设计 |
| 4.2 数据预处理 |
| 4.2.1 感兴趣区域检测 |
| 4.2.2 数据标准化 |
| 4.2.3 数据增强 |
| 4.3 心脏MRI图像分割 |
| 4.3.1 实验设置 |
| 4.3.2 实验结果分析 |
| 4.4 心脏病理分类 |
| 4.4.1 特征提取 |
| 4.4.2 分类结果 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 工作总结 |
| 5.2 研究展望 |
| 参考文献 |
| 致谢 |
| 作者攻读学位期间发表的学术论文目录 |
（3）医学图像中的血管分割算法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 缩写和符号清单 |
| 1 绪论 |
| 1.1 课题研究背景 |
| 1.2 课题研究的意义与目的 |
| 1.3 血管的成像原理与分割难点 |
| 1.3.1 眼底血管 |
| 1.3.2 脑血管 |
| 1.3.3 肝脏血管 |
| 1.4 本文的创新点 |
| 1.5 本文的组织结构 |
| 2 相关研究综述 |
| 2.1 血管分割总体概述 |
| 2.2 国内外研究现状 |
| 2.2.1 按照算法原理总结 |
| 2.2.2 按照血管部位总结 |
| 2.3 血管分割结果的评价指标 |
| 2.4 公开的血管影像数据集 |
| 2.5 本章小结 |
| 3 基于生成对抗网络的视网膜血管分割算法 |
| 3.1 引言 |
| 3.2 方法 |
| 3.2.1 数据增强 |
| 3.2.2 网络结构 |
| 3.2.3 实现细节 |
| 3.3 实验和结果 |
| 3.3.1 数据集和实验环境 |
| 3.3.2 评价标准 |
| 3.3.3 结果对比 |
| 3.4 讨论 |
| 3.5 本章小结 |
| 4 基于Multiple-U-net的脑血管分割算法 |
| 4.1 引言 |
| 4.2 方法 |
| 4.2.1 数据集 |
| 4.2.2 M-U-net网络结构 |
| 4.2.3 算法实现细节 |
| 4.2.4 投票融合 |
| 4.2.5 后处理 |
| 4.3 实验和结果 |
| 4.3.1 实验环境 |
| 4.3.2 Loss函数选取对比实验 |
| 4.3.3 最优Epoch选取实验 |
| 4.3.4 Single-U-net实验结果 |
| 4.3.5 M-U-net实验结果 |
| 4.3.6 算法对比 |
| 4.4 讨论 |
| 4.5 本章小结 |
| 5 基于图割和断支补全的肝脏血管分割算法 |
| 5.1 引言 |
| 5.2 方法 |
| 5.2.1 提取肝脏区域 |
| 5.2.2 基于Sigmoid函数的体素灰度映射 |
| 5.2.3 基于Hessian矩阵的血管增强滤波 |
| 5.2.4 各项异性扩散滤波 |
| 5.2.5 基于自适应能量函数图割算法的血管初步分割 |
| 5.2.6 血管中心线提取 |
| 5.2.7 血管中心线补全 |
| 5.2.8 血管补全 |
| 5.3 实验和结果 |
| 5.3.1 数据集和实验环境 |
| 5.3.2 评价标准 |
| 5.3.3 最优参数选取 |
| 5.3.4 实验结果 |
| 5.3.5 算法对比 |
| 5.4 讨论 |
| 5.5 本章小结 |
| 6 结论和展望 |
| 6.1 本文主要工作 |
| 6.2 未来研究的展望 |
| 参考文献 |
| 作者简历及在学研究成果 |
| 学位论文数据集 |
（4）融合X射线热声成像的肺部CT图像增强方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 引言 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.2.1 X射线热声成像方法研究现状 |
| 1.2.2 多模态医学图像配准方法研究现状 |
| 1.2.3 CT图像超分辨率重建方法研究现状 |
| 1.2.4 CT图像自动分割方法研究现状 |
| 1.3 主要研究内容和创新 |
| 1.4 本文的组织结构 |
| 第2章 理论基础 |
| 2.1 数字化人体体模 |
| 2.1.1 数字化人体体模数据的获取 |
| 2.1.2 数字化人体体模应用及发展 |
| 2.2 CT成像原理 |
| 2.2.1 蒙特卡洛剂量模拟 |
| 2.2.2 CT成像 |
| 2.3 深度学习 |
| 2.3.1 深度学习基础 |
| 2.3.2 深度学习常见模型 |
| 2.3.3 深度学习与医疗图像处理 |
| 第3章 肺部低剂量X射线热声成像方法 |
| 3.1 问题描述 |
| 3.2 数字肺部模型的生成 |
| 3.3 肺部X射线热声成像的模拟 |
| 3.3.1 肺部低剂量热声成像系统构建 |
| 3.3.2 X射线的热声信号模拟 |
| 3.3.3 热声信号成像 |
| 3.4 实验分析 |
| 3.5 本章小结 |
| 第4章 基于半监督迁移网络的肺部CT图像自动分割方法 |
| 4.1 问题描述 |
| 4.2 半监督迁移网络设计 |
| 4.2.1 目标函数 |
| 4.2.2 改进的U-Net设计 |
| 4.2.3 残差单元设计 |
| 4.2.4 权值迁移 |
| 4.2.5 误差修正 |
| 4.2.6 模型训练 |
| 4.3 实验分析 |
| 4.3.1 实验评估数据集 |
| 4.3.2 实验结果 |
| 4.3.3 实验评估 |
| 4.4 本章小结 |
| 第5章 基于流体模型的肺部CT与热声图像的配准方法 |
| 5.1 问题描述 |
| 5.2 流体模型配准网络设计 |
| 5.2.1 网络结构 |
| 5.2.2 空间变换 |
| 5.2.3 损失函数 |
| 5.3 实验分析 |
| 5.4 本章小结 |
| 第6章 基于生成对抗网络的肺部CT图像超分辨率重建方法 |
| 6.1 问题描述 |
| 6.2 生成对抗网络模型 |
| 6.2.1 模型建立 |
| 6.2.2 损失函数 |
| 6.2.3 生成网络的结构设计 |
| 6.2.4 判别网络的结构设计 |
| 6.3 实验分析 |
| 6.3.1 数据集和预处理 |
| 6.3.2 模型训练过程 |
| 6.3.3 模型参数分析 |
| 6.3.4 重建质量对比分析 |
| 6.3.5 重建效率对比分析 |
| 6.3.6 讨论 |
| 6.4 本章小结 |
| 结论 |
| 致谢 |
| 参考文献 |
| 攻读学位期间取得学术成果 |
（5）基于电影绘制的血管内超声图像三维重建（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 本文的研究内容和组织结构 |
| 1.3.1 本文的研究内容 |
| 1.3.2 本文的组织结构 |
| 第2章 IVUS图像的预处理 |
| 2.1 血管内超声技术 |
| 2.1.1 血管内超声成像设备 |
| 2.1.2 血管内超声图像 |
| 2.2 心动周期的非线性累加提取算法 |
| 2.2.1 特征的提取 |
| 2.2.2 特征的非线性组合 |
| 2.2.3 心动函数模型的比较分析 |
| 2.2.4 心动周期的分离 |
| 2.2.5 收缩期图像的拟合与结果分析 |
| 2.3 IVUS图像的综合降噪 |
| 2.3.1 传统降噪算法 |
| 2.3.2 改进的双边滤波算法 |
| 2.3.3 综合降噪方法 |
| 2.3.4 滤波效果与分析 |
| 2.4 本章小结 |
| 第3章 IVUS图像渲染模型的设计与实现 |
| 3.1 IVUS图像的体绘制 |
| 3.1.1 体数据 |
| 3.1.2 体绘制中的光学模型 |
| 3.1.3 光线投射法的原理 |
| 3.1.4 光线投射算法的具体实现 |
| 3.2 基于电影绘制IVUS图像渲染模型的构建 |
| 3.2.1 辐射度理论 |
| 3.2.2 BRDF |
| 3.2.3 光线的吸收 |
| 3.2.4 光线的发射 |
| 3.2.5 光线的外散射 |
| 3.2.6 光线的内散射 |
| 3.2.7 相函数 |
| 3.3 渲染方程 |
| 3.4 渲染模型的对比与分析 |
| 3.5 本章小结 |
| 第4章 光线采样算法的优化 |
| 4.1 光线步进算法 |
| 4.2 蒙特卡洛积分 |
| 4.2.1 蒙特卡洛积分原理 |
| 4.2.2 收敛性分析 |
| 4.2.3 重要性采样 |
| 4.3 光线采样算法的设计 |
| 4.3.1 采样点的确定 |
| 4.3.2 采样点的接收 |
| 4.4 基于梯度因子的采样点接受方法 |
| 4.4.1 梯度比重项 |
| 4.4.2 体梯度的计算 |
| 4.4.3 算法实现 |
| 4.5 光线采样算法的对比分析 |
| 4.6 本章小结 |
| 结论与展望 |
| 参考文献 |
| 攻读硕士学位期间所发表的学术成果 |
| 致谢 |
（6）基于EUS的多模态消化道肿瘤图像融合技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.1.1 消化道肿瘤 |
| 1.1.2 内镜超声检查 |
| 1.1.3 图像融合概述 |
| 1.2 国内外研究现状 |
| 1.3 本课题的研究目的和意义 |
| 1.4 本文的主要研究内容及章节安排 |
| 1.4.1 主要研究内容 |
| 1.4.2 章节安排 |
| 第2章 超声图像预处理技术研究 |
| 2.1 引言 |
| 2.2 超声成像系统 |
| 2.2.1 超声成像原理及特征 |
| 2.2.2 斑点噪声 |
| 2.2.3 成像系统的组成 |
| 2.3 超声图像去噪 |
| 2.3.1 常见的超声图像去噪算法 |
| 2.3.2 基于稀疏表示的超声图像去噪算法 |
| 2.3.3 实验结果与分析 |
| 2.4 本章小结 |
| 第3章 超声图像三维重建技术研究 |
| 3.1 引言 |
| 3.2 VTK概述及原理 |
| 3.3 基于面绘制的超声图像三维重建 |
| 3.3.1 面绘制概述 |
| 3.3.2 移动立方体算法 |
| 3.4 基于体绘制的超声图像三维重建 |
| 3.4.1 体绘制概述 |
| 3.4.2 光线投射算法 |
| 3.5 两种绘制算法的比较 |
| 3.6 胃部超声图像三维重建的实现 |
| 3.6.1 算法实现 |
| 3.6.2 实验结果与分析 |
| 3.7 本章小结 |
| 第4章 超声图像与光学内镜图像融合技术研究 |
| 4.1 引言 |
| 4.2 图像配准 |
| 4.2.1 配准算法及分类 |
| 4.2.2 几何变换 |
| 4.2.3 优化策略 |
| 4.3 图像融合 |
| 4.3.1 融合算法及分类 |
| 4.3.2 三维医学图像融合 |
| 4.4 实验结果与分析 |
| 4.5 本章小结 |
| 第5章 总结和展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
（7）基于深度学习技术的异构临床数据分析系统的设计与实现（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 国内外研究现状 |
| 1.3 研究内容 |
| 1.4 论文组织结构 |
| 第二章 相关技术 |
| 2.1 异构临床数据 |
| 2.2 计算机辅助诊断系统 |
| 2.3 基于深度学习的辅助诊断技术 |
| 2.4 极端梯度提升决策树 |
| 2.5 异构数据融合策略 |
| 2.6 数据增广技术 |
| 2.7 本章小结 |
| 第三章 异构临床数据分析及融合策略 |
| 3.1 数据预处理方法 |
| 3.2 数据模型建立 |
| 3.3 决策级多模态数据融合策略 |
| 3.4 本章小结 |
| 第四章 异构临床数据分析系统设计与实现 |
| 4.1 需求分析 |
| 4.2 概要设计 |
| 4.3 详细设计 |
| 4.4 系统实现及功能简介 |
| 4.5 本章小结 |
| 第五章 实验及评估指标 |
| 5.1 实验环境及数据集 |
| 5.2 评估指标 |
| 5.3 实验结果分析 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
| 图版 |
| 表版 |
（8）基于CT影像的A型肉毒杆菌毒素咬肌注射技术评估和注射区域定位（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题的研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 BoNT-A咬肌注射 |
| 1.2.2 医学可视化 |
| 1.3 本文完成的主要工作 |
| 1.4 本文的章节安排 |
| 第二章 基于 3D RoI感知U-Net的咬肌与下颌骨分割 |
| 2.1 引言 |
| 2.2 3D RoI感知U-Net |
| 2.2.1 相关工作 |
| 2.2.2 网络架构 |
| 2.2.3 多任务混合损失函数 |
| 2.3 咬肌与下颌骨的分割实验 |
| 2.3.1 数据集 |
| 2.3.2 评估指标 |
| 2.3.3 实验结果 |
| 2.4 本章小结 |
| 第三章 基于CT影像的咬肌与下颌骨的可视化与测量 |
| 3.1 引言 |
| 3.2 解剖结构的三维可视化 |
| 3.2.1 医学影像三维可视化的基本技术 |
| 3.2.2 解剖结构三维模型提取 |
| 3.3 咬肌注射路径模拟与厚度测量 |
| 3.3.1 OBB树算法 |
| 3.3.2 基于光线投射的注射路径模拟和厚度测量 |
| 3.4 软件系统设计 |
| 3.5 本章小结 |
| 第四章 BoNT-A咬肌注射技术评估 |
| 4.1 引言 |
| 4.2 咬肌BoNT-A注射解剖学基准的量化 |
| 4.2.1 咬肌注射的局部解剖学 |
| 4.2.2 咬肌注射的解剖学基准 |
| 4.3 咬肌注射技术三维可视化仿真 |
| 4.3.1 基于边界平面的注射区域定位 |
| 4.3.2 用咬肌投影模拟触诊操作 |
| 4.3.3 咬肌注射技术评估 |
| 4.4 本章小结 |
| 第五章 基于 3D点云目标检测的BoNT-A咬肌注射区域定位 |
| 5.1 引言 |
| 5.2 基于Point RCNN的 3D点云目标检测 |
| 5.2.1 基于点云分割的 3D区域提议生成 |
| 5.2.2 规范化 3D包围盒调优 |
| 5.3 咬肌注射区域定位实验 |
| 5.3.1 数据集 |
| 5.3.2 实现细节 |
| 5.3.3 实验结果 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 研究工作总结 |
| 6.2 未来研究展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间已发表或录用的论文 |
（9）面向椎弓根钉置入手术的虚拟现实系统关键技术研究（论文提纲范文）
| 中文摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究背景 |
| 1.2 虚拟手术系统国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 本文主要研究内容 |
| 第二章 虚拟手术仿真系统的整体框架设计 |
| 2.1 引言 |
| 2.2 虚拟手术系统整体框架与关键技术 |
| 2.2.1 虚拟手术系统整体框架设计 |
| 2.2.2 虚拟手术系统关键技术分析 |
| 2.3 虚拟手术系统的软硬件设计 |
| 2.3.1 硬件平台 |
| 2.3.2 系统软件设计 |
| 2.4 本章小结 |
| 第三章 虚拟手术系统中脊柱三维可视化研究 |
| 3.1 引言 |
| 3.2 医学图像预处理研究 |
| 3.3 基于区域融合的ROI提取研究 |
| 3.4 基于MC算法三维重建 |
| 3.5 可视化结果分析 |
| 3.5.1 基于等值面提取三维重建结果 |
| 3.5.2 算法重建效果对比 |
| 3.6 本章小结 |
| 第四章 置钉过程中力触觉算法研究与实验验证 |
| 4.1 引言 |
| 4.2 碰撞检测研究 |
| 4.2.1 基于表面模型的碰撞检测 |
| 4.2.2 基于体素模型的碰撞检测 |
| 4.3 钻骨操作的力预测模型 |
| 4.4 触觉算法实现与实验结果分析 |
| 4.5 本章小结 |
| 第五章 基于GPU加速的椎弓根钉钻骨仿真实验研究 |
| 5.1 引言 |
| 5.2 椎弓根钉置入手术背景介绍 |
| 5.3 基于混合数据模型的场景渲染 |
| 5.3.1 基于体素模型的触觉渲染 |
| 5.3.2 基于表面模型的视觉渲染 |
| 5.3.3 椎弓根钉置钉过程中骨质磨削原理 |
| 5.4 基于CUDA的GPU并行加速 |
| 5.4.1 CPU与GPU对比 |
| 5.4.2 GPU加速原理 |
| 5.4.3 GPU加速实验 |
| 5.5 椎弓根钉置入手术仿真系统的设计与实现 |
| 5.5.1 椎弓根钉置钉手术系统框架搭建 |
| 5.5.2 虚拟手术系统功能实现与UI设计 |
| 5.5.3 椎弓根钉置入过程仿真模拟 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文和取得的科研成果 |
| 致谢 |
（10）基于肺部CT气管壁增强的气管分割及可视化系统（论文提纲范文）
| 摘要 |
| ABSTACT |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 关于肺气管分割 |
| 1.2.2 关于医学图像可视化 |
| 1.3 本文主要工作 |
| 1.3.1 研究内容 |
| 1.3.2 研究方法 |
| 1.4 本文结构安排 |
| 第二章 理论基础 |
| 2.1 医学影像可视化 |
| 2.2 系统开发工具 |
| 2.2.1 ITK简介 |
| 2.2.2 VTK简介 |
| 2.3 系统开发平台 |
| 第三章 系统组成设计 |
| 3.1 CT图像二维可视化 |
| 3.2 CT图像三维可视化 |
| 3.3 肺部CT预处理 |
| 3.3.1 二值化操作 |
| 3.3.2 形态学开运算操作 |
| 3.3.3 三维区域生长 |
| 3.3.4 形态学闭运算获取掩膜 |
| 3.4 气管粗分割 |
| 3.4.1 对主气管进行区域生长 |
| 3.4.2 获取种子点坐标 |
| 3.4.3 粗分割主循环 |
| 3.4.4 保存粗分割结果 |
| 3.5 气管精细分割 |
| 3.5.1 三级分割步骤 |
| 3.5.2 气管壁修补步骤 |
| 3.5.3 判定步骤 |
| 3.5.4 分割过滤步骤 |
| 第四章 算法验证及实验结果 |
| 4.1 开发硬件平台 |
| 4.2 开发软件平台的配置过程:Qt+ITK+VTK |
| 4.2.1 Qt下 VTK的安装过程 |
| 4.2.2 ITK配置过程 |
| 4.3 实验数据来源 |
| 4.4 实验结果及分析 |
| 第五章 结论和展望 |
| 5.1 本文工作总结 |
| 5.2 工作展望 |
| 参考文献 |
| 攻读硕士学位期间发表的学术论着 |
| 攻读硕士学位期间参与项目和比赛 |
| 致谢 |
四、DIRECT VOXEL-PROJECTION FOR VOLUMETRIC DATA RENDERING IN MEDICAL IMAGERY（论文参考文献）
- [1]高精度高内涵小鼠全脑图谱构建及其在阿尔兹海默症小鼠中的应用[D]. 张小川. 华东理工大学, 2021(08)
- [2]基于深度学习的心脏磁共振图像自动分割和辅助诊断算法研究[D]. 马啸天. 北京邮电大学, 2021(01)
- [3]医学图像中的血管分割算法研究[D]. 郭晓宇. 北京科技大学, 2021
- [4]融合X射线热声成像的肺部CT图像增强方法研究[D]. 蒋鑫. 成都理工大学, 2020(04)
- [5]基于电影绘制的血管内超声图像三维重建[D]. 夏章涛. 北京工业大学, 2020(06)
- [6]基于EUS的多模态消化道肿瘤图像融合技术研究[D]. 蒲笑秋. 中国科学院大学(中国科学院西安光学精密机械研究所), 2020(06)
- [7]基于深度学习技术的异构临床数据分析系统的设计与实现[D]. 陈雯. 贵州大学, 2020(04)
- [8]基于CT影像的A型肉毒杆菌毒素咬肌注射技术评估和注射区域定位[D]. 夏闻进. 上海交通大学, 2020(01)
- [9]面向椎弓根钉置入手术的虚拟现实系统关键技术研究[D]. 陈军. 苏州大学, 2020(02)
- [10]基于肺部CT气管壁增强的气管分割及可视化系统[D]. 牛晗晗. 山东师范大学, 2020(08)