基于深度学习的医学影像分析与认知计算方法研究与应用

发布时间：2025-05-06 22:49

　　基于医疗影像的计算机辅助诊断技术一直以来都是计算机应用领域的研究热点,医学影像数据获取的可控性和实际临床诊断的需求为深度学习的落地提供了应用场景。本文主要探讨了基于多参数核磁共振图像进行肝细胞癌分化程度无创评估的深度学习解决方案,结合放射科医生的临床诊断经验和核磁共振影像的特点,以多参数核磁共振成像数据为基础研究多模态数据融合方法,分别提出了多通道三维卷积神经网络、多尺度深度残差网络用于提取三维医学影像数据和二维融合医学影像数据的特征,同时面向肝细胞癌的临床影像数据病例不足问题,验证了迁移学习、度量学习在医学影像分类中的作用。本文的主要工作和创新点有以下几点:(1)完成了多参数核磁共振成像的肝细胞癌影像数据集构建及预处理。根据国内外学者的研究成果和医生的临床诊断经验,确定以多参数核磁共振成像为研究对象,以专业医师采集、标注和病理检查证实为肝细胞癌的多参数核磁共振成像的临床影像为基础,构建医学影像数据集,具体数据包括:T2加权成像(T2weighted imaging,T2WI)、T1加权成像同反相位、磁共振动态对比增强成像(Dynamic contrast enhanced MRI,DC...

【文章页数】：88 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 研究背景和意义
    1.2 国内外研究现状
        1.2.1 医学图像诊断技术的研究现状
        1.2.2 计算机视觉的研究现状
        1.2.3 计算机辅助诊断的研究现状
    1.3 课题来源
    1.4 主要研究内容
    1.5 论文组织结构
第2章 医学图像的计算机辅助诊断的相关技术
    2.1 引言
    2.2 医学影像简介
    2.3 基于浅层机器学习模型的辅助诊断方法
        2.3.1 图像的特征提取方法
        2.3.2 特征降维方法
        2.3.3 浅层机器学习分类模型
    2.4 基于深度卷积神经网络的辅助诊断方法
        2.4.1 人工神经网络
        2.4.2 卷积神经网络
        2.4.3 迁移学习方法
        2.4.4 小样本学习
    2.5 分类任务的评价标准
    2.6 本章小结
第3章 基于三维卷积神经网络的医学影像时空特征提取
    3.1 引言
    3.2 高维医学影像数据的表示与降维
        3.2.1 高维医学影像数据的张量表示
        3.2.2 高维医学影像数据的特征降维
    3.3 二维卷积和三维卷积
    3.4 DCE-MRI数据的张量表示和时空特征提取
    3.5 实验结果与分析
        3.5.1 实验数据集及数据预处理
        3.5.2 单个模态数据诊断效果
        3.5.3 多通道三维卷积神经网络实验
        3.5.4 特征图和卷积核的可视化
        3.5.5 多分类转化为二分类
    3.6 本章小结
第4章 基于多模态医学影像的认知计算方法
    4.1 引言
    4.2 多模态医学影像的信息融合
    4.3 多尺度深度残差网络模型设计
    4.4 多尺度深度残差网络性能分析
    4.5 医学影像应用实验与结果分析
        4.5.1 数据预处理和数据集划分
        4.5.2 单一模态和多模态数据融合对比
        4.5.3 迁移学习实验结果
        4.5.4 多模态MRI用于判断HCC分化程度
    4.6 本章小结
第5章 医学图像辅助诊断中度量学习方法
    5.1 引言
    5.2 基于度量学习的医学图像分类方法
    5.3 医学影像的特征表示学习
    5.4 实验结果与分析
        5.4.1 样本对和三元组的构造
        5.4.2 手写体数字特征的空间分布对比分析实验
        5.4.3 医学图像特征的空间分布对比分析实验
    5.5 本章小结
结论
参考文献
攻读硕士学位期间所发表的学术论文
致谢



本文编号：4043207