一、三维医学图像优化压缩算法（论文文献综述）
陶陈凝[1]（2021）在《基于压缩感知的光谱成像系统和重构算法研究》文中指出光谱成像技术结合成像技术和光谱技术,同时获取具有目标物体空间和光谱信息的三维数据立方体。从图像的光谱数据立方体中可以获取每个空间像素的光谱曲线,也可以获得每个光谱通道的强度图像。基于光谱图像所提供的丰富信息,光谱成像技术在遥感、农业、生物、医学和军事等领域均具有重要的应用价值。区别于传统的采用空间或光谱扫描的光谱成像技术,基于压缩感知理论的光谱成像技术通过压缩采样、计算重构的方式实现了非扫描的高效率光谱成像。压缩光谱成像的技术关键在于压缩采样成像和压缩感知重构两个过程,其中压缩采样成像需要通过光学系统对目标物体的三维数据立方体进行空间和光谱维度的编码与混叠,而压缩感知重构则从成像结果中复原出光谱图像,采样和重构的过程共同决定了压缩光谱成像的采样效率和成像质量。本文围绕编码孔径压缩光谱成像和单像素压缩光谱成像这两种压缩光谱成像技术,结合压缩感知中的相干性理论,从光学系统和压缩重构算法两个方面开展研究。首先,本文提出了基于编码孔径快照式光谱仪（CASSI）和RGB联合成像的系统,及用于联合成像测量结果重构的前融合和后融合算法。CASSI和RGB联合成像的系统充分结合了 CASSI系统的在光谱维度高保真度的优势以及RGB成像的在空间维度高准确度的特点,相比于单独成像获取了更多有效信息。前融合算法通过合并联合成像系统的系统矩阵提升了压缩感知重构的效率,而后融合算法借助引导滤波提升了成像的光谱与空间分辨能力。然后,本文基于压缩感知理论中的相干性最小化原则,提出了使用RGB成像元件的双色散型结构的CASSI系统具有最低的相干性,引入Frobenius范数形式的感知相干性作为优化目标,通过遗传算法和梯度下降算法分别实现编码孔径和稀疏表示字典的优化。经过优化的RGB成像双色散型结构的CASSI系统具有非常高的压缩感知采样效率和光谱成像质量。并且,本文提出了基于颜色传感器的无透镜压缩单像素光谱成像系统,及基于相干性最小化的结构照明空间图案与稀疏表示字典的同时优化算法。在该系统中,分别使用结构照明和颜色传感器完成空间调制和光谱调制,实现了无透镜、低成本、高稳定性的光谱成像;而优化算法实现了结构照明图案与稀疏表示字典的相互适应,以充分利用光谱图像在光谱与空间维度的稀疏特性,提升重构光谱图像的质量。最后,分析了目前压缩光谱成像技术的不足,并展望了其发展前景,对未来压缩光谱成像技术的进一步研究工作提供了方向。
辛宇[2]（2021）在《平扫CT图像肾脏肿瘤的三维分割深度算法研究》文中认为自动分割出CT图像序列中的肾脏及肿瘤目标可为医生在临床诊断中提供定量的诊断依据,当前基于深度学习的三维分割技术得到了广泛的研究,然而由于CT图像中肾脏及肿瘤目标形状复杂多样,且存在着肿瘤目标小、样本数少等问题,现有的三维分割网络并不能很好的分割出肿瘤等小目标,如何准确分割出肾脏肿瘤仍是一个富有挑战性的问题。同时当前的三维深度分割网络模型大、参数多、且对计算机硬件要求高,这也给模型在实际部署中带来巨大的挑战。针对以上问题,本文开展平扫CT图像肾脏肿瘤的三维分割和三维网络模型压缩及应用的深入研究,具体工作包括:（1）三维对偶注意力驱动的CT图像肾脏肿瘤级联分割网络:为了应对CT图像肾脏肿瘤三维分割任务中存在的诸多挑战,本文提出了三维对偶注意力驱动的级联分割网络,两级网络均运用多尺度编解码结构,通过对高低分辨率CT图像序列的学习,精细的分割肾脏肿瘤区域,并在网络中部署三维对偶注意力模块,该模块通过对偶通路可以捕获主干通路的互补信息,从而提取完备的关键区域特征信息,有利于更准确定位小尺度的肿瘤目标。实验结果表明该模型能够准确的分割出CT图像中的肾脏肿瘤,且分割指标优于其他三维分割网络。（2）三维分割网络“软滤波器级”的模型剪枝:为了提升三维分割网络的计算效率,解决三维分割模型复杂庞大造成的难以实际部署等问题,本文进一步构建了面向三维分割网络的“软滤波器级”的模型剪枝方法,将“软剪枝”方法进一步拓展到了三维分割网络上,该方法以2L范数为剪枝标准,进一步设置相应的剪枝率iP,采取了边训练边剪枝的策略,关键之处在于该方法将剪枝后的滤波器在下一周期训练中继续更新参数,使得网络模型可以学习到更多信息。实验结果表明该方法可以在维持当前三维网络分割精度的情况下,有效的消除了三维网络模型中冗余的参数,降低网络结构的复杂度,实现对三维网络模型的压缩和加速。（3）CT医学影像三维分割软件:利用剪枝后的轻量化网络,进一步开发了针对肾脏肿瘤等CT医学图像三维分割任务的网络模型训练和样本测试评估的一体化软件,并且该软件可以对患者的CT数据进行批量化评估,提高了医生在临床诊断的效率,实现了深度学习三维分割模型在实际应用场景中的部署。
李一轩[3]（2021）在《图像重构优化计算研究》文中指出图像视觉一直在人类社会发展进程中发挥着难以估量的重要作用,然而随着半导体硬件技术的不断发展,待处理的图像信息变得更加复杂、多样,因此社会各界对图像处理技术的性能提出更高的要求。图像处理技术通常包括图像重构、图像识别、图像分割、目标检测等领域,而本文重点探索如何利用优化计算思想去解决图像重构中的三维重建以及二维图像重建问题。嵌入式计算机视觉技术作为光学影像三维重建重要应用领域之一,其原理类似于人眼的基本机制,通过双目视觉可获得相应场景的深度信息,在诸如机器人导航、文物保护、航空摄影、太空探索等领域都有重要的潜在应用价值。另一方面,基于深度学习的图像处理技术可利用大量的先验知识训练神经网络模型,进而从复杂数据中提取有价值的抽象信息,因此在很多应用领域都展现出超越传统算法的发展潜力,尤其在医学影像、三维点云等样本数据昂贵且难以获取的情形下有至关重要的作用。本文主要涉及基于软硬件协同优化的无人机影像三维重建以及基于边缘优化的压缩感知磁共振成像（CSMRI）重建技术研究工作。现有基于FPGA平台实现基于相位相关算法的光学影像三维重建研究相对较少,且大多研究是基于空间域特征实现图像立体配准,其主要面临的问题和挑战可概括为两点:一是传统FPGA技术遭受逻辑资源限制难以实现许多本质上是高度迭代的先进算法;二是传统基于FPGA的三维重建技术通常不适用于具有高度窄基线、且易涉及河谷、平原、山峰等复杂低纹理区域的无人机航拍影像;因此,传统三维重建技术难以有效实现软件算法和硬件逻辑间的协同优化。另一方面,在压缩感知磁共振成像（CSMRI）重建研究领域,大多数现有方法很难在抽象全局高级特征和边缘特征之间进行有效权衡,易引起诸如残留大量混叠伪影和明显过度平滑的重建细节等问题。基于上述问题,本文利用优化计算的思想,探索基于软硬件协同优化的无人机影像三维重建以及基于边缘优化的压缩感知磁共振成像（CSMRI）重建技术。与已有的研究成果相比,本文的研究工作具体可分为以下两大方面:（1）本文基于有限资源FPGA平台,提出多尺度深度图融合算法来克服传统FPGA方法易受光照变化、遮挡、阴影及小旋转等因素影响,进而实现从包含低纹理区域、动态纹理区域及大视差范围等干扰因素的真实山地无人机影像中提取高可靠视差信息。此外,本文还结合高并行指令优化策略和高性能软硬件协同优化方法,提出一种层级迭代、同层并行的高吞吐量硬件优化架构,大大提高基于FPGA的无人机航拍影像三维重建方法的鲁棒性、准确性及综合能耗等,最终实现多尺度深度图融合算法架构在有限资源FPGA平台的高效运行。（2）本文还利用全局高级特征与边缘特征间关系,提出了一种适用于高性能CSMRI重建的新型边缘优化双鉴别器生成对抗网络架构（EDDGAN）。首先结合边缘算子融合多尺度边缘信息以提取有效的边缘特征,然后将抽象的全局高级特征和边缘特征相结合,引入三人博弈游戏来控制细节幻象并稳定网络训练。大量研究表明,经过边缘优化后的EDDGAN方法可集中于边缘细节恢复以及去除混叠伪影,与最先进技术相比,本方法生成的重建图像具有更加丰富的边缘细节结构。据我们所知,本文是首次利用边缘优化思想将双鉴别器生成对抗网络应用于CSMRI重建领域的研究。
杨欢[4]（2021）在《面向医学图像处理的3D残差深度模型研究》文中研究说明在现如今海量的数据环境和高效的性能要求下,深度学习算法因其具有的多层非线性结构而具有非常强大的特征表达能力和建模能力,已经在许多任务中逐渐取代了传统算法。现代医学中,医生主要依靠各种模态的医学影像图像做出诊断及治疗计划。医学影像图像的种类很多,如计算机断层扫描成像（CT）、核磁共振成像（MR）、正电子发射计算机断层显像（PET）等。不同模态的医学图像能够提供不同的信息,借助深度学习算法分析和处理医学图像能大大提高诊断的效率和准确性。受限于带标签数据的匮乏,本文的研究重点集中于不同模态的医学图像的转换及模拟图像生成上,并探究利用模拟医学图像辅助其他医学任务的有效性。本文使用的算法是深度学习中的图像生成算法,主要是生成对抗网络（GAN）和变分自编码器（VAE）。并借助辅助分类生成对抗网络（ACGAN）、分割网络UNet和残差网络（ResNet）的思想提高网络模型的有效性和鲁棒性。此外,为了处理三维的医学图像,本文所有使用的数据预处理操作和模型结构均是三维的,这最大程度保留了数据完整性,提升了算法性能。具体而言,本文主要开展了如下的研究工作:（1）针对混合成像PET/MR衰减校正误差问题,我们借助条件式生成对抗网络（CGAN）结合分割网络UNet和残差网络（ResNet）的思想设计了一个深度生成式模型3D VCGAN。我们利用该模型实现腹部多模态MR到模拟CT的转换,再利用得到的模拟CT图像重建PET图像,从而实现一种非直接的PET/MR混合成像方法。与PET/CT相比,PET/MR具有很多优点,但会呈现出较大的标准摄取值（SUV）误差。实验证明,我们的方法能获得最高的精度,并将所有评估器官的SUV误差降低至5%及以下。（2）针对多对比度MR图像合成问题,我们结合条件式生成对抗网络（CGAN）、条件式自编码器（CVAE）和辅助分类生成对抗网络（ACGAN）的思想设计了一个条件自编码辅助分类生成对抗网络（CAE-ACGAN）。该网络结合了多种深度生成式模型的优点,用于实现单CT到多模态MR图像的一对多的反向转换任务。实验结果证明了我们所设计模型的有效性和鲁棒性。（3）针对具有挑战的跨模态MR-CT变形配准问题,我们提出了一种由模拟CT（sCT）引导的非直接的跨模态图像配准和异常图像修复方法。我们使用条件自编码辅助分类生成对抗网络（CAE-ACGAN）实现脑部多模态MR图像到模拟CT图像的转换,并借助得到的模拟CT作为中间媒介将跨模态MR-CT配准转换为同模态sCT-CT配准。在这个过程中,我们不仅可以得到配准后的MR图像也以CT为标准自动修复了可能受污染的异常MR图像。
闫芳[5]（2021）在《医学影像重建算法研究及应用》文中研究表明医学成像通常是指在数字健康检查中,以诊断和治疗为目的,创建被试者体内解剖结构影像的技术和过程。常见的医学成像包括解剖成像和功能成像两种模式,其技术生成的图像可以提供被试者的组织、结构和功能信息。医学影像诊断是临床数据中较为重要的诊断依据之一,通常医生需要借助医学影像判断被试者是否存在病灶区域,并根据病灶的轻重程度对疾病状态进行评估和分级。在影像采集过程中,获取的原始医学影像由于样本自身重力、扫描成本以及操作不当等因素,出现器官或组织在成像的过程中引发物理性撕裂、分辨率降低或者拼接顺序错乱的现象,导致图像退化。医学影像重建针对不同的退化原因,借助算法思维和计算机算力的辅助,通过一系列的图像处理技术,将退化图像重建为理想情况下的完整图像。重建后的医学影像能够在分类、检测和分割等领域进行研究建模和量化分析,为临床提供数据标注和统计分析方面的参考,达到提高诊断准确率和效率的目的。因此,在医学影像处理和分析中,影像重建具有极其重要的作用。图像配准、插值和拼接是医学影像重建相关应用的重要方法,有利于多方面整合被试者的影像信息、提高图像分辨率以及复原完整图像,为疾病预测与分析、辅助诊断等提供了技术支持。在临床解决实际问题的过程中,由于医学影像在获取和应用中的特殊性,包括因操作过程、采集时长以及医生工作量等因素产生的复杂需求,通常需要联合配准、插值和拼接等多项任务交叉进行。图像插值是配准中不可或缺的关键步骤,配准有利于拼接精确度的提高,拼接结果也可以应用于插值和配准的过程中。为解决医学影像临床基础研究中的实际需求,针对图像重建任务中面临的难题,基于图像处理和分析领域的关键技术,本文主要研究内容包括以下几部分:（1）基于分段配准的有损伤性鼠脑光片荧光显微影像重建。在鼠脑光片荧光显微影像的采集过程中,因鼠脑自身重力或操作过程不慎等原因,容易引起器官或组织产生物理性撕裂。针对以上问题,本文借助核磁共振成像可用于颅腔内或活体扫描的优势,提出了基于核磁共振与光片荧光显微影像分段配准的影像重建方法。考虑两种模态影像在鼠脑解剖结构上的一致性,利用Waxholm空间图谱及其对应的标注图像,使用随机游走和形态学方法分别对鼠脑核磁共振和光片荧光显微影像进行无监督分割。将配准应用于分割后的光片荧光显微影像和核磁共振影像,获取全局范围内的形变场。结合基于核磁共振影像的模板和拉普拉斯方程对各部分的形变场进行图像融合,通过图像扭曲和重采样获取到修复后的光片荧光显微影像。该方法解决了分段配准过程中多模态影像无监督分割以及图像融合的问题,被初步应用在鼠脑同体配准和异体配准中,为鼠脑光片荧光显微影像的后续处理和分析提供了思路。（2）基于空间信息和插值的多模态人脑核磁共振影像重建。在人脑核磁共振T2-Flair加权影像的采集过程中,由于存在成像条件的限制,包括扫描时长、成像序列差异或采集成本等,通常仅能在某一轴向平面获取高分辨率的三维核磁共振影像数据。针对以上问题,本文利用T1加权影像扫描时间短的优势,提出了基于空间信息和插值的多模态图像重建方法。该方法结合高层厚值的T2-Flair加权影像和低层厚值的T1加权影像间的多模态信息,引入空间约束关系,结合条件生成对抗网络构造出图像高分辨率重建模型。在可视化和量化评估方面,该模型均被证实能够有效提高某一轴向平面的分辨率,为后续图像病灶区域分割或疾病分析等工作提供了高分辨率的数据。（3）基于图像拼接的组织病理影像重建。在与人体组织病理影像相关的多模态影像研究中,由于组织病理影像仅对局部组织制作切片,无法满足联合其它模态高分辨率影像在全局范围内分析影像间相关性的需求。针对以上问题,本文融合无重叠图像拼图的思路,提出了基于图像拼接的组织病理影像重建方法。该方法建立在病理切片为矩形的前提假设下,构造出一个未知方向和排列的碎片重建问题。结合马氏梯度度量和投影的幂方法的优势,基于二次规划模型,该方法将碎片间的组合优化难题转化为有约束的非凸优化问题,建立一种图像拼接模型。利用马氏梯度度量计算碎片相邻的关系,既考虑了边缘像素的灰度信息,又引入了边缘像素的梯度信息,提高了度量的准确性。基于投影的幂方法能够将碎片间的相邻关系在高维空间中表示,并结合随机的初始排序状态,利用迭代的幂方法和空间投影,进一步保证优化算法在高维空间中收敛到最优解的准确性,减少图像重建和复原的时间。在可视化和量化评估方面,该方法验证了无重叠未知方向和排序的图像拼接重建算法的有效性,为后续不规则碎片图像重建以及基于病理影像的多模态影像分析提供了潜在思路。综上所述,本文从医学影像诊断和基础研究面临的实际需求出发,根据数据集的特点和待解决的问题设计模型与算法,达到完成医学影像重建任务的目的。实际需求方面包括鼠脑光片荧光显微影像物理性损伤修复重建、人脑核磁共振T2-Flair加权影像高分辨率重建、人体组织病理影像拼接重建;数据集特点方面包括医学影像维度问题、不同模态信息互补与融合、不同模态影像采集误差、不同个体影像生理结构上的差异、三维影像空间信息问题、影像灰度值或颜色信息分布和范围、不同生物体因结构差异显着对算法造成的影响、深度学习数据扩增、数据标注、评价标准和金标准问题等;模型与算法方面包括随机游走、形态学变换、图谱引入、仿射和弹性配准、最近邻搜索、拉普拉斯方程、生成对抗网络结构等。在视觉和量化评估方面的实验结果表明,本文所提出的模型和算法能够有效完成医学影像重建任务,为解决医学影像在临床基础研究和分析中所面临的实际问题贡献微薄力量。
武丽君[6]（2021）在《投影驱动的极稀疏投影CT图像重建应用研究》文中研究表明计算机断层成像技术（Computed Tomography.简记作CT）是种获得物体断面的成像技术。由于人体基本组织或物体内部结构对X射线的吸收率和透射率的不同,首先使用高灵敏度的检测器对待重建物体进行扫描获得投影数据,然后将投影数据传输到计算机,最后使用计算机对投影数据进行处理,处理后即可获得待检测物体断面图像。CT成像技术在工业和医学方面发挥了关键作用,但其在实际应用中也存在一些问题:工业上,由于生产现场环境复杂,只能通过获取稀疏角度投影数据的扫描方式进行无损检测;医学上,为降低X射线对人体的伤害或避免物体在检测时的运动,通常采用减少投影角度的方法缩短检测时间。因此,如何在稀疏投影数据的情况下,精确地重建CT图像,提供充分适宜工业检测和影像学诊断需要的重建图像,成为CT成像研究领域的热点问题。综合已有文献并与CT技术人员沟通,本文将[0,2π)范围内扇束/锥束扫描不超过20个投影角度的投影数据称作极稀疏投影数据。CT成像算法可以分为解析类算法和迭代类算法。解析类算法具有实现简单、成像速度快、重建图像质量高等优势,但是其稀疏投影角度条件下获得的断层图像质量差,因此常用于完备投影数据条件下的图像重建。迭代类算法在稀疏投影重建方面有着解析类算法所不及的优点,随着并行处理技术的逐步发展以及计算机相关硬件成本的降低,迭代类算法已经成为相关领域研究人员和CT机生产厂商高度关注的热点。在极稀疏投影数据的情况下,本文就CT断层成像问题进行了以下几方面研究:（1）提出了投影驱动系统模型。正/反投影运算是CT断层图像重建的核心部分,系统模型对CT迭代图像重建的数值精度和重建图像质量都有着重要影响。本文结合像素驱动和射线驱动模型的优点,基于距离驱动模型的基本思想,设计了投影驱动的系统模型,并将CT迭代类图像重建与经典的压缩感知理论结合,设计了一种二维扇束CT迭代图像重建算法,本文将其称作2D-CSVD（2D-Compressed Sensing View Driven CT image reconstruction）算法。（2）将二维投影驱动模型扩展到三维,同时将二维算法扩展到锥束投影情况下的三维CT图像重建,记作3D-CSVD算法。CSVD算法均由基于投影驱动模型的粗略图像重建和最优化计算两个环节组成。（3）使用NVIDIA的CUDA架构对耗时较长的三维锥束CT图像重建程序进行并行处理。仿真结果表明,本文算法有一定的学术研究意义和工程实用价值,具体体现在:（1）数值精度高。极稀疏投影角度数下的重建图像精确地再现了模型图像的空间结构及像素分布,能处理的最少投影角度数为18个。同时,基于投影驱动的2D-CSVD算法的各项图像质量指标显着优于ART-TV迭代算法和FBP解析算法。（2）计算复杂度低。2D-CSVD算法一次迭代会处理一个投影角度,且在一个投影角度下,只需一次迭代就可以获得一行像素对所有检测器单元的贡献,减少了很多不必要的遍历运算,因此计算复杂度较之传统的迭代类CT图像重建算法大幅度降低。（3）内存开销少。在传统的迭代类CT图像重建中,系统矩阵的规模通常都很大,而基于投影驱动系统模型的图像重建则不需要对系统矩阵进行存储,大大减小了内存的开销。本课题在极稀疏投影数据的条件下,基于压缩感知理论与投影驱动模型提出的CSVD算法给相关领域的科研工作者在极稀疏投影数据的情况下进行CT迭代断层成像提供了一条切实的技术途径。
徐少伟[7]（2021）在《基于深度学习的纵膈淋巴结识别算法研究》文中研究说明诊断纵膈淋巴结转移主要采用电子计算机断层扫描检测病变情况,纵膈淋巴结转移情况对于肺癌等疾病分期、清扫有重要意义。医学影像目前可以获得清晰的断层图像,但纵膈结构复杂,诊断需要临床医师有丰富的经验和充足的时间。为了快速、准确的获得淋巴结检测结果,针对纵膈区域结构复杂、淋巴结尺度差异大、分布区域广泛等主要问题,本文提出基于卷积神经网络和注意力机制的两步级联的纵膈淋巴结分割算法,通过引入医学先验和增强通道、空间、多级特征来提高纵膈淋巴结分割检测性能。主要工作如下:本文首先采集、整理、扩充并增广了纵膈淋巴结数据集,并勾画纵膈器官和淋巴结。由于纵膈区域结构复杂,所以根据医学先验知识拟定了两步的分割步骤。第一步,分割纵膈器官和淋巴结。第一步得到分割结果后以纵膈器官为掩码,通过开闭操作和填补空洞操作获得淋巴结感兴趣区域,可以极大的减少背景干扰。第二步,分别采用多种注意力机制和多级特征模块解决淋巴结分布广泛和尺寸差异大等问题。在第二步中,针对序列图像,修改原二维全局聚合模块和双注意力模块为三维模块,并根据淋巴结尺度差异大的问题,在双注意力模块中引入自适应感受野。由于全局聚合模块占用内存大和模型小淋巴结识别效果不佳,所以设计了全局上下文模块和特征融合模块,提出纵膈淋巴结分割网络。全局上下文模块可以计算特征块各体素间权值,增强不同位置淋巴结特征;特征融合模块融合浅层卷积的边缘纹理特征和高层卷积的抽象语义特征,减少因卷积操作导致的小目标丢失。实验结果表明,该方法的Dice Score可以达到76.08%,优于其他纵膈淋巴结分割算法。本文分析了纵膈淋巴结检测存在的主要问题,根据医学先验提出两步级联的方法,并根据纵膈序列图像修改和提出不同的注意力机制和特征融合模块,得到了较好的效果,在临床上可以辅助医师快速、准确的勾画转移的淋巴结,提高诊疗效率。
谭建[8]（2021）在《自动化立体仓库监测数据管理系统研究》文中进行了进一步梳理自动化立体仓库以其强大的存储能力和极高的空间利用率逐渐发展成为现代物流技术的核心,越来越大的自动化立体仓库规模伴随而来的是大量的自动化立体仓库数据。为提高自动化立体仓库监测系统的交互性和有效性,本文结合虚拟技术和数据管理技术,将货物的出库入库在虚拟场景中通过货物三维模型的增加删除直观地体现出来,同时用户可以通过货物模型查看当前货架上货物实际图像。为提高系统响应速度,完成了三维模型的优化、图像数据压缩,同时实现了用户管理、预警管理、数据查询等功能。主要工作如下:1)从用户和系统功能实现两个方面对系统进行需求分析,论证了系统进行虚拟场景构建和研究纸箱图像压缩的必要性。分别从系统数据管理部分和虚拟场景部分的功能进行分析研究,完成系统整体方案设计;2)根据仓库的实际环境,在3Ds MAX中通过多边形建模等方式构建仓库货物、货架、堆垛机等三维模型,同时使用实景图片对仓库进行贴图操作,完成整个虚拟场景的构建。然后结合Polygon Cruncher工具和LOD技术对整个虚拟场景模型进行优化。最后实现了虚拟场景三维模型操纵、虚拟仓库漫游和虚拟仓库监测数据查看等人机交互功能。3)使用K-SVD算法对纸箱图像训练集学习,生成过完备字典,然后对待压缩图像进行分块,由改进的Canny边缘检测从45°、135°、水平和垂直方向检测图像边缘,计算每个图像块边缘轮廓面积,依据边缘检测轮廓面积在图像块中的占比和整幅图像边缘检测平均轮廓面积来自适应设定误差,同时得到在原始误差下对图像稀疏表示之后的稀疏系数矩阵,根据自适应误差和原始误差大小比较确定稀疏矩阵的二次优化方式,得到优化的稀疏系数矩阵,完成纸箱图像的高倍压缩。4)阐述了数据存储和传输方案的设计与实现,系统的功能和实现流程。对本文设计的算法在系统进行验证,并对图像压缩效果进行数据分析。最后对系统的性能和功能进行了测试分析。通过对监测数据的展示、压缩和存储设计完成了一套自动化立体仓库监测数据管理系统,全面测试验证了系统对仓库监测数据管理的有效性,设计的方案解决了自动化立体仓库监测数据量大不方便管理等问题,为后续的自动化立体仓库数据管理提供了一定的参考价值。
刘蕊[9]（2021）在《基于深度学习的肝脏肿瘤图像分割算法研究与应用》文中提出肝癌是全球高发的恶性肿瘤之一,是亟待攻克的全人类公共卫生问题。在中国,肝癌患者数量达到世界总数的一半,肝脏健康问题更需要加以重视。医学影像分割是对肝脏肿瘤进行准确分析的关键,分割的速度和精度都直接影响着后续的治疗过程。传统的医学图像分割过分依赖于人工操作,耗时且主观性强,因此利用日益发展的计算机辅助治疗技术实现肝脏肿瘤CT图像的自动分割是极具应用价值的研究课题。针对肝脏肿瘤CT图像的自动分割还有很多难点等待突破,例如由于不同病例之间肝脏和肿瘤的尺寸、形状和位置差异大导致的特征多样化问题,由于肝脏肿瘤与周围各组织器官的密度过于接近而导致的CT图像对比度低和目标边界模糊问题,因此提升肝脏肿瘤的自动精确分割依然是具有挑战性的任务。近年来,深度学习方法在计算机视觉领域异军突起,被大量应用在医学图像分割任务中,并且取得了明显的效果。这种分割方法基于数据驱动,从带有标注的原始医学图像数据中自动找寻特征规律,挖掘深层信息,避免了传统方法过于依赖人工的特点,满足了肝脏肿瘤分割算法自动、快速和准确的需求。但深度学习在肝脏肿瘤分割领域仍然存在局限性,现有的一些网络结构对原始三维数据信息的提取并不充分,同时还存在肝脏和肿瘤边界分割不清、小尺寸肿瘤区域无法分割等情况。因此,本文采用深度学习的方法,对肝脏肿瘤图像自动分割任务进行了研究,在改善上述问题的基础上,进一步提高了肝脏和肿瘤图像分割的精度,并设计了肝脏肿瘤自动分割算法可视化系统,对算法结果进行展示。本文的主要工作有:（1）针对现有神经网络结构对原始CT数据利用不充分的问题,本文设计了一种基于多维度特征提取网络的肝脏图像分割方法。该方法中的网络模型从网络层级、轴向和体素三个维度出发,分别利用层间连接、三维网络结构和空洞卷积方法,使网络对原始CT数据特征进行充分的学习;同时针对三维网络计算量大的问题,设计了不平衡深度可分离卷积模块,在网络学习效果不变的条件下大幅降低了参数量;最后针对数据不平衡和肝脏边缘分割效果欠佳的问题,设计了混合损失函数,并与深度监督结构相结合,有效提高了肝脏区域的分割精度。通过在肝脏肿瘤CT图像数据集Li TS上进行实验,本方法的肝脏分割结果在Dice系数和体积相对误差（VOE）衡量标准上都超过了其他算法,得到了较精确的分割结果。（2）针对神经网络获取三维医学图像体积信息的计算成本高问题,本文提出了一种基于密集注意力LSTM网络的肝脏肿瘤图像分割方法。该网络首先采用级联思想,利用上述肝脏分割网络的结果对肿瘤分割的感兴趣区域进行选取,大幅度减少了周围组织结构对肿瘤分割的干扰;其次针对小尺寸肿瘤区域特征的学习,设计了基于密集连接和残差混合域注意力机制的图像特征提取模块,充分提取水平面方向上二维切片图像的特征信息;最后将连续的二维切片看作序列,从序列的上下文关系中引入医学数据的体积信息,利用双向卷积LSTM构建序列特征融合模块,将切片间的体积特征信息进行融合,进一步提升分割精度。通过在肝脏肿瘤CT图像数据集Li TS上进行实验,本方法的肿瘤分割结果与其他方法相比有了一定程度的提升。（3）本文开发了肝脏肿瘤自动分割可视化系统。本系统利用Python编程语言和Py Qt5开发框架进行搭建,将本文所提出的两种基于深度学习的肝脏肿瘤图像分割方法嵌入其中,为用户提供了CT数据加载、图像预处理和神经网络图像分割等功能,实现了相应操作结果的可视化显示和保存。
胡传真[10]（2021）在《快速和高分辨拉曼成像技术及高通量光谱分析方法研究》文中研究说明拉曼光谱是一种无损、无标记、高灵敏的物质化学信息表征手段,而拉曼成像则是探知化学信息在物理空间分布状态的功能性成像技术。超光谱拉曼显微成像在细胞代谢、组织病理分析（例如肿瘤组织鉴定）等众多生命医学研究领域中扮演着重要的角色。本文通过对标准拉曼成像光学系统和成像方法进行改进,以实现更快、更高分辨率和更准确的拉曼光谱图像获取。本文围绕快速共聚焦点扫描拉曼成像、超分辨率超光谱拉曼成像以及大批量光谱数据快速分析方法等拉曼成像技术与光谱分析方法展开研究。本文的主要研究内容和成果如下:1.针对广泛使用的共聚焦激光扫描拉曼成像系统成像速度慢的问题,本文首次提出一种基于样品明场先验空间分布的快速先验拉曼压缩成像方法,用以提高超光谱拉曼成像速度。该快速拉曼成像方法的具体实现是:利用明场成像通道提供的样品空间分布先验信息,将有样品区域和无样品的空白玻片区域分别分割出来,然后对有样品区域进行压缩感知拉曼成像,并使用优化的压缩感知图像重建算法重建出超光谱拉曼图像,从而实现共聚焦激光扫描拉曼成像系统成像速度的提高。本文使用所提的快速先验拉曼压缩成像方法分别对一微米标准微球样品和裂殖酵母细胞生物样品进行拉曼成像,成像结果表明:与经典的共聚焦点扫描拉曼成像相比,这种快速先验拉曼压缩成像方式可以实现五倍到十倍成像速度的提升,并且成像质量高度接近点扫描成像结果。2.针对实现全二维物理空间超分辨超光谱拉曼成像的问题,本文首次提出一种扫描振镜调制虚拟结构光照明的共聚焦线扫描超分辨拉曼成像方法。该超分辨成像方案的具体实施是:首先是使用二维扫描振镜利用时间累积效应于单次采集曝光时间内,在样品面上生成任意照明角度的正弦强度分布虚拟结构线照明光;经过二维扫描振镜“去扫描”的拉曼散射光被一个独立的一维同步扫描振镜进行“重扫描”处理,进而将叠加任意照明方向结构光的“线”样品像耦合进狭缝拉曼光谱仪,从而实现对二维样品进行结构线照明拉曼光谱图像采集;最后,使用相应的结构光照明超分辨成像重建算法重建出分辨率显着提升的超分辨拉曼图像,例如Wiener-SIM或者TV-SIM方法。本文使用均一的标准聚苯乙烯材质塑料板测试结构照明光的质量,并且使用标准物理尺寸的纳米微球测试所设计超分辨拉曼成像方法的可靠性,初步取得一些成果:使用扫描振镜基于时间累计效应实际生成的虚拟结构照明光与理论模拟仿真结果保持高度一致;本文提出的结合振镜调制虚拟结构光照明的二维空间超分辨拉曼成像方案能够突破成像系统的光学衍射极限,实现分辨率理论1.6倍的提升。3.最后,本文研究了使用卷积神经网络来分析混合拉曼光谱独立组分含量的可行性,针对当前浓度预测卷积神经网络无法同时预测混合拉曼光谱中多个纯净组分含量的问题,本文首次提出一种优化设计的多输出混合光谱浓度预测卷积神经回归网络。该多组分含量预测卷积神经网络模型的实现过程是:根据已有的卷积神经网络浓度预测模型提出优化的多组分预测模型,首先使用预先测得的纯净物质拉曼光谱人工模拟生成混合拉曼光谱数据,并将其作为所提含量预测网络的训练集,设置合理的网络训练超参数,训练出高灵敏和高效的混合拉曼光谱亚组分含量预测模型。本文使用实验测得的混合物质的拉曼光谱来验证训练好的多输出混合光谱浓度预测卷积神经回归网络的预测精度和高效性,初步验证结果表明,基于卷积神经网络含量预测方法的预测结果与当前标准分析方法（非对称最小二乘拟合）的分析结果保持良好的一致性,同时在相同的测试条件下,所提方法比标准的非对称最小二乘拟合分析法快约45倍。因此,这种基于卷积神经网络的组分分析方法极其适用于大型拉曼数据集的量化分析,例如可用于批量分析在本文中生成的用于训练所提卷积神经网络的,包含一百万个独立混合拉曼光谱的模拟光谱数据集。
二、三维医学图像优化压缩算法（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、三维医学图像优化压缩算法（论文提纲范文）
（1）基于压缩感知的光谱成像系统和重构算法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 光谱成像技术概述 |
| 1.1.1 光谱成像技术的分类 |
| 1.1.2 光谱成像技术的应用 |
| 1.2 压缩光谱成像技术概述 |
| 1.2.1 压缩光谱成像 |
| 1.2.2 编码孔径压缩光谱成像 |
| 1.2.3 单像素压缩光谱成像 |
| 1.3 本文主要研究工作 |
| 2 压缩感知理论及压缩光谱成像原理 |
| 2.1 压缩感知理论 |
| 2.1.1 传统的采样方法 |
| 2.1.2 压缩感知采样 |
| 2.1.3 信号的稀疏表示 |
| 2.1.4 压缩感知系统矩阵特性 |
| 2.1.5 压缩感知信号重构算法 |
| 2.2 编码孔径压缩光谱成像原理 |
| 2.2.1 单色散型编码孔径快照式光谱仪 |
| 2.2.2 双色散型编码孔径快照式光谱仪 |
| 2.3 单像素压缩光谱成像原理 |
| 2.4 压缩光谱成像中的关键元件 |
| 2.4.1 编码孔径 |
| 2.4.2 色散元件 |
| 2.5 本章小结 |
| 3 基于图像融合的编码孔径压缩光谱成像 |
| 3.1 引言 |
| 3.2 系统结构 |
| 3.3 重构算法 |
| 3.3.1 Pre-fusion算法 |
| 3.3.2 Post-fusion算法 |
| 3.4 光谱成像结果分析与讨论 |
| 3.4.1 数据集的准备及评价函数的选取 |
| 3.4.2 光谱成像结果 |
| 3.4.3 算法的参数设置对光谱成像质量的影响 |
| 3.4.4 噪声对光谱成像质量的影响 |
| 3.5 本章小结 |
| 4 基于相干性优化的编码孔径压缩光谱成像 |
| 4.1 引言 |
| 4.2 编码孔径快照式光谱仪的相干性分析 |
| 4.3 基于相干性最小化的优化算法 |
| 4.4 光谱成像结果分析与讨论 |
| 4.4.1 数据集的准备及优化算法参数的设置 |
| 4.4.2 光谱成像结果 |
| 4.4.3 算法的参数设置对光谱成像质量的影响 |
| 4.4.4 噪声对光谱成像质量的影响 |
| 4.5 本章小结 |
| 5 基于颜色传感器的单像素压缩光谱成像 |
| 5.1 引言 |
| 5.2 系统结构 |
| 5.3 基于梯度下降的相干性最小化算法 |
| 5.4 仿真 |
| 5.4.1 数据集的准备及优化算法参数的设置 |
| 5.4.2 仿真结果分析 |
| 5.5 实验 |
| 5.5.1 实验系统设计 |
| 5.5.2 实验结果分析 |
| 5.6 本章小结 |
| 6 总结与展望 |
| 参考文献 |
| 作者简历 |
| 攻读博士期间所取得的科研成果 |
（2）平扫CT图像肾脏肿瘤的三维分割深度算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 深度学习的研究现状 |
| 1.2.2 医学图像算法的研究现状 |
| 1.2.3 肾脏肿瘤分割算法的研究现状 |
| 1.3 论文贡献及框架 |
| 1.3.1 论文贡献 |
| 1.3.2 论文框架 |
| 第二章 相关基础介绍 |
| 2.1 医学CT图像特点 |
| 2.2 全卷积神经网络 |
| 2.2.1 全卷积神经网络特点 |
| 2.2.2 医学图像分割模型 |
| 2.3 注意力机制 |
| 2.3.1 注意力机制的基本原理 |
| 2.3.2 经典注意力机制 |
| 2.4 模型剪枝 |
| 2.4.1 非结构化剪枝 |
| 2.4.2 结构化剪枝 |
| 2.5 本章小结 |
| 第三章 三维对偶注意力驱动的CT图像肾脏肿瘤级联分割网络 |
| 3.1 肾脏肿瘤三维级联分割网络模型 |
| 3.1.1 三维对偶注意力模块 |
| 3.1.2 三维对偶注意力驱动的级联网络 |
| 3.2 实验数据及处理 |
| 3.2.1 肾脏肿瘤挑战赛数据集(Ki TS19) |
| 3.2.2 CT图像窗口处理及数据预处理 |
| 3.3 实验结果与分析 |
| 3.3.1 实验设置及评价指标 |
| 3.3.2 消融实验及分析 |
| 3.3.3 对比实验及分析 |
| 3.3.4 三维分割结果可视化显示 |
| 3.4 其他器官CT数据集下的三维分割结果 |
| 3.5 本章小结 |
| 第四章 肾脏肿瘤三维分割网络的模型剪枝 |
| 4.1 肾脏肿瘤三维分割网络的模型剪枝流程 |
| 4.1.1 滤波器级的剪枝方法 |
| 4.1.2 肾脏肿瘤三维分割网络的“软滤波器”剪枝方法 |
| 4.2 消融实验及分析 |
| 4.2.1 剪枝标准的选择 |
| 4.2.2 剪枝率大小的选择 |
| 4.3 三维模型剪枝实验结果与分析 |
| 4.3.1 实验设置及评价指标 |
| 4.3.2 实验结果与分析 |
| 4.4 CT医学影像三维分割软件 |
| 4.4.1 三维智能分割软件操作界面 |
| 4.4.2 三维智能分割软件功能介绍 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 工作总结 |
| 5.2 论文展望 |
| 致谢 |
| 参考文献 |
| 作者简介 |
（3）图像重构优化计算研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 引言 |
| 1.1 研究背景和意义 |
| 1.2 国内外文献综述 |
| 1.2.1 基于FPGA的三维重建技术研究现状 |
| 1.2.2 基于深度学习的CSMRI重建技术研究 |
| 1.3 研究内容与方法 |
| 1.4 主要工作和创新 |
| 1.5 论文的基本结构 |
| 第2章 相关理论 |
| 2.1 三维重建理论简介 |
| 2.1.1 三维重建策略分析 |
| 2.1.2 FPGA硬件平台介绍 |
| 2.2 CSMRI重建理论简介 |
| 2.2.1 CSMRI重建算法介绍 |
| 2.2.2 两种深度学习网络模型介绍 |
| 2.3 小结 |
| 第3章 基于软硬件协同优化的FPGA无人机影像低功耗三维重建方法研究 |
| 3.1 引言 |
| 3.2 基于多尺度深度图融合的三维重建技术 |
| 3.2.1 改进相位相关立体匹配算法 |
| 3.2.2 多尺度深度图融合算法 |
| 3.3 基于高性能FPGA平台的三维重建架构 |
| 3.3.1 2D FFT硬件实现 |
| 3.3.2 软硬件协同优化 |
| 3.3.3 高并行指令优化 |
| 3.4 实验结果与分析 |
| 3.4.1 多种软硬件协同优化设计方案比较 |
| 3.4.2 不同指令优化策略对比 |
| 3.4.3 与同领域先进方法的综合性比较 |
| 3.5 小结 |
| 第4章 基于边缘优化双鉴别器生成对抗网络的CSMRI重建方法研究 |
| 4.1 引言 |
| 4.2 基于边缘优化双鉴别器生成对抗网络的高性能CSMRI重建方法 |
| 4.2.1 双鉴别器生成对抗损失 |
| 4.2.2 EDDGAN架构 |
| 4.3 实验和结果 |
| 4.3.1 实验设置 |
| 4.3.2 Fast MRI数据集的定量和定性评估 |
| 4.3.3 EDDGAN的泛化性评估实验 |
| 4.3.4 不同掩模对重建结果的影响 |
| 4.4 小结 |
| 结论与展望 |
| 1、结论 |
| 2、展望 |
| 参考文献 |
| 致谢 |
| 攻读博/硕士学位期间发表的论文和其它科研情况 |
（4）面向医学图像处理的3D残差深度模型研究（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 本文主要研究内容 |
| 1.4 论文章节安排 |
| 第二章 相关理论阐述 |
| 2.1 生成对抗网络相关 |
| 2.2 变分自编码器相关 |
| 2.3 其他相关理论 |
| 2.3.1 辅助分类生成对抗网络 |
| 2.3.2 分割网络UNet |
| 2.3.3 残差网络 |
| 第三章 基于条件式生成对抗网络的腹部模拟CT生成和PET/MR衰减校正研究 |
| 3.1 引言 |
| 3.2 相关工作 |
| 3.2.1 条件式生成对抗网络 |
| 3.2.2 三维数据划分 |
| 3.3 深度生成式模型3D VCGAN的构建 |
| 3.3.1 网络结构 |
| 3.3.2 损失函数 |
| 3.4 实验说明 |
| 3.4.1 数据集及数据预处理操作 |
| 3.4.2 实验步骤 |
| 3.4.3 实验设置 |
| 3.4.4 实验环境 |
| 3.4.5 评价指标 |
| 3.5 结果分析 |
| 3.5.1 模拟CT生成结果分析 |
| 3.5.2 PET/MR衰减校正分析 |
| 3.6 本章小结 |
| 第四章 基于条件式生成对抗网络和条件变分自编码器的模拟MR生成算法研究 |
| 4.1 引言 |
| 4.2 相关工作 |
| 4.2.1 图像生成算法 |
| 4.3 条件自编码辅助分类生成对抗网络的构建 |
| 4.3.1 网络结构 |
| 4.3.2 损失函数 |
| 4.4 实验分析 |
| 4.4.1 数据集及数据预处理操作 |
| 4.4.2 实验设置 |
| 4.4.3 实验环境 |
| 4.4.4 评价指标 |
| 4.4.5 结果分析 |
| 4.5 本章小结 |
| 第五章 由模拟CT指导的跨模态图像配准和图像修复方法 |
| 5.1 引言 |
| 5.2 相关工作 |
| 5.2.1 图像配准算法 |
| 5.3 基于深度生成式网络的模拟CT生成 |
| 5.3.1 模拟CT生成算法 |
| 5.3.2 实验设置 |
| 5.3.3 结果及分析 |
| 5.4 由模拟CT指导的MR-CT跨模态配准和图像修复方法 |
| 5.4.1 变形配准算法 |
| 5.4.2 实验设置 |
| 5.4.3 结果及分析 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 论文总结 |
| 6.2 工作展望 |
| 致谢 |
| 参考文献 |
| 附录:作者在攻读硕士学位期间发表的论文 |
（5）医学影像重建算法研究及应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 图像配准 |
| 1.2.2 图像插值 |
| 1.2.3 图像拼接 |
| 1.3 研究目标与研究内容 |
| 1.4 研究难点与创新点 |
| 1.5 论文组织结构 |
| 第2章 医学影像背景知识 |
| 2.1 光片荧光显微影像 |
| 2.2 核磁共振影像 |
| 2.3 组织病理影像 |
| 2.4 医学影像空间特性 |
| 2.5 医学影像处理难点 |
| 第3章 基于分段配准的有损伤性鼠脑光片荧光显微影像重建 |
| 3.1 引言 |
| 3.2 相关知识 |
| 3.2.1 图像无监督分割 |
| 3.2.2 分段配准 |
| 3.2.3 仿射配准 |
| 3.2.4 对称微分同胚配准 |
| 3.2.5 图像融合 |
| 3.3 具体方法 |
| 3.3.1 基于Waxholm空间图谱的无监督分割 |
| 3.3.2 基于仿射和微分同胚算法的多模态影像配准 |
| 3.3.3 基于拉普拉斯方程的形变场融合 |
| 3.4 实验 |
| 3.4.1 数据集和参数设置 |
| 3.4.2 实验和结果分析 |
| 3.5 本章小结 |
| 第4章 基于空间信息和插值的多模态人脑核磁共振影像重建 |
| 4.1 引言 |
| 4.2 相关知识 |
| 4.2.1 经典插值算法 |
| 4.2.2 多模态转换 |
| 4.2.3 生成对抗网络 |
| 4.3 具体方法 |
| 4.3.1 多模态融合模型 |
| 4.3.2 空间信息约束的融合模型 |
| 4.3.3 网络结构 |
| 4.4 实验 |
| 4.4.1 数据集和参数设置 |
| 4.4.2 实验和结果分析 |
| 4.5 本章小结 |
| 第5章 基于图像拼接的组织病理影像重建 |
| 5.1 引言 |
| 5.2 相关知识 |
| 5.2.1 拼图问题 |
| 5.2.2 非凸优化问题 |
| 5.3 具体方法 |
| 5.3.1 基于马氏梯度度量的相关关系计算 |
| 5.3.2 基于高维空间的排列矩阵表示 |
| 5.3.3 基于投影的幂方法的全局优化 |
| 5.4 实验 |
| 5.4.1 数据集和参数设置 |
| 5.4.2 实验和结果分析 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 6.1 全文总结 |
| 6.2 研究展望 |
| 参考文献 |
| 攻读博士学位期间的主要成果 |
| 致谢 |
（6）投影驱动的极稀疏投影CT图像重建应用研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号说明 |
| 第一章 绪论 |
| 1.1 课题的来源与背景 |
| 1.2 论文的研究内容与结构 |
| 1.3 课题的创新点 |
| 第二章 相关理论与技术 |
| 2.1 CT成像的理论基础 |
| 2.1.1 物理基础 |
| 2.1.2 数学基础 |
| 2.2 经典CT图像重建算法 |
| 2.2.1 反投影算法 |
| 2.2.2 解析类算法 |
| 2.2.3 迭代类算法 |
| 2.3 基于压缩感知(CS)的CT图像重建 |
| 2.3.1 压缩感知(CS)理论 |
| 2.3.2 CS理论框架下的CT图像重建 |
| 2.4 CUDA并行编程模型 |
| 2.5 本章小结 |
| 第三章 极稀疏投影数据的二维CT图像重建 |
| 3.1 二维正/反投影算法 |
| 3.1.1 正/反投影模型 |
| 3.1.2 正/反投影矩阵 |
| 3.2 2D-CSVD算法实现 |
| 3.3 仿真实验与结果分析 |
| 3.4 本章小结 |
| 第四章 极稀疏投影数据的三维CT图像重建 |
| 4.1 引言 |
| 4.2 三维正/反投影算法 |
| 4.3 仿真实验与结果分析 |
| 4.4 本章小结 |
| 第五章 三维成像算法的CUDA并行实现 |
| 5.1 CPU、GPU与CUDA |
| 5.1.1 CPU与GPU的关系 |
| 5.1.2 CUDA |
| 5.2 算法CUDA并行设计 |
| 5.2.1 粗略图像重建 |
| 5.2.2 最优化计算 |
| 5.3 实验结果与分析 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士研究生期间研究成果 |
| 学位论文评阅及答辩情况表 |
（7）基于深度学习的纵膈淋巴结识别算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 选题依据、研究背景及意义 |
| 1.1.1 选题依据 |
| 1.1.2 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于传统机器学习的算法 |
| 1.2.2 基于深度学习医学影像的分割算法 |
| 1.3 本文主要研究内容及安排 |
| 1.3.1 主要研究内容 |
| 1.3.2 论文组织结构 |
| 1.4 本章小结 |
| 第二章 纵膈淋巴结分割相关工作 |
| 2.1 纵膈淋巴结分割基础 |
| 2.1.1 医学影像特点 |
| 2.1.2 纵膈淋巴结特点 |
| 2.1.3 纵膈淋巴结分区 |
| 2.2 深度卷积神经网络 |
| 2.2.1 卷积神经网络 |
| 2.2.2 全卷积神经网络 |
| 2.2.3 空洞卷积和反卷积 |
| 2.3 注意力机制 |
| 2.3.1 通道、空间注意力机制 |
| 2.3.2 非局部注意力机制 |
| 2.4 分割算法 |
| 2.4.1 二维、三维分割算法 |
| 2.4.2 单步、多步分割算法 |
| 2.5 本章小结 |
| 第三章 背景干扰和广泛分布下纵膈淋巴结分割方法 |
| 3.1 引言 |
| 3.2 基本框架及功能模块 |
| 3.2.1 基本框架 |
| 3.2.2 功能模块 |
| 3.3 提取感兴趣区域 |
| 3.4 网络结构设计 |
| 3.4.1 网络整体结构设计 |
| 3.4.2 双注意力模块设计 |
| 3.4.3 全局聚合模块设计 |
| 3.5 损失函数 |
| 3.6 本章小结 |
| 第四章 淋巴结多尺度下的分割方法 |
| 4.1 引言 |
| 4.2 基本框架及功能模块 |
| 4.2.1 基本框架 |
| 4.2.2 功能模块 |
| 4.3 网络结构设计 |
| 4.3.1 纵膈淋巴结分割网络 |
| 4.3.2 全局上下文模块 |
| 4.3.3 特征融合模块 |
| 4.4 损失函数 |
| 4.5 本章小结 |
| 第五章 数据集与实验 |
| 5.1 数据集介绍 |
| 5.2 数据处理及数据增广 |
| 5.2.1 数据采集和处理 |
| 5.2.2 数据增广 |
| 5.3 淋巴结评价指标 |
| 5.3.1 召回率 |
| 5.3.2 精确率 |
| 5.3.3 Dice Score |
| 5.4 实验结果及分析 |
| 5.4.1 两步混合注意力的纵膈淋巴结分割算法结果分析 |
| 5.4.2 多级特征和全局上下文的纵膈淋巴结分割算法结果分析 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文总结 |
| 6.2 未来工作展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及所取得的研究成果 |
| 致谢 |
（8）自动化立体仓库监测数据管理系统研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 仓库监测数据管理系统研究现状 |
| 1.2.2 可视化监测技术研究现状 |
| 1.2.3 图像压缩研究现状 |
| 1.3 主要研究内容及章节安排 |
| 1.4 本章小结 |
| 2 系统需求分析和方案设计 |
| 2.1 自动化立体仓库监控系统介绍 |
| 2.2 自动化立体仓库监测数据管理系统需求分析 |
| 2.3 监测数据管理系统总体方案设计 |
| 2.3.1 系统总体技术构成 |
| 2.3.2 系统软件工作流程 |
| 2.3.3 客户端功能结构 |
| 2.4 本章小结 |
| 3 自动化立体仓库虚拟场景构建与交互 |
| 3.1 自动化立体仓库虚拟场景的构建 |
| 3.1.1 自动化立体仓库建模流程 |
| 3.1.2 自动化立体仓库三维建模 |
| 3.1.3 虚拟场景重构 |
| 3.2 自动化立体仓库虚拟场景优化 |
| 3.2.1 Polygon Cruncher优化 |
| 3.2.2 LOD细节层次优化 |
| 3.3 自动化立体仓库虚拟场景交互设计 |
| 3.3.1 三维对象拾取 |
| 3.3.2 三维模型操纵 |
| 3.3.3 虚拟仓库场景漫游 |
| 3.3.4 虚拟仓库监测数据查看 |
| 3.4 本章小结 |
| 4 基于稀疏重构算法的纸箱图像压缩 |
| 4.1 稀疏表示模型 |
| 4.2 字典训练算法 |
| 4.2.1 MOD算法 |
| 4.2.2 K-SVD算法 |
| 4.2.3 实验对比 |
| 4.3 稀疏编码算法 |
| 4.3.1 基追踪算法 |
| 4.3.2 匹配追踪算法 |
| 4.3.3 正交匹配追踪算法 |
| 4.3.4 实验对比 |
| 4.4 基于稀疏重构的分块自适应纸箱图像压缩 |
| 4.4.1 自适应误差设定算法 |
| 4.4.2 二次优化稀疏系数矩阵 |
| 4.5 实验结果和分析 |
| 4.6 本章小结 |
| 5 系统实现与测试 |
| 5.1 数据库设计与实现 |
| 5.1.1 数据库访问实现 |
| 5.1.2 数据表设计 |
| 5.2 数据传输 |
| 5.3 系统客户端构建 |
| 5.4 系统测试 |
| 5.4.1 系统平台配置 |
| 5.4.2 客户端性能测试 |
| 5.4.3 实时图像压缩测试 |
| 5.4.4 系统交互功能测试 |
| 5.5 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间的研究成果 |
（9）基于深度学习的肝脏肿瘤图像分割算法研究与应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 论文研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 医疗人工智能发展现状 |
| 1.2.2 基于经典方法的医学图像分割 |
| 1.2.3 基于深度学习的医学图像分割 |
| 1.3 本文主要研究内容 |
| 1.4 本文的组织结构 |
| 第二章 肝脏肿瘤CT图像及深度学习理论基础 |
| 2.1 肝脏肿瘤CT图像简介 |
| 2.1.1 电子计算机断层扫描技术概述 |
| 2.1.2 肝脏肿瘤CT图像分割难点 |
| 2.2 肝脏肿瘤图像预处理 |
| 2.2.1 窗口化操作 |
| 2.2.2 直方图均衡化 |
| 2.3 肝脏肿瘤图像分割数据集 |
| 2.3.1 数据集介绍 |
| 2.3.2 肝脏肿瘤CT分割评价指标 |
| 2.4 卷积神经网络基础 |
| 2.4.1 卷积层 |
| 2.4.2 池化层 |
| 2.4.3 激活函数 |
| 2.4.4 反卷积层 |
| 2.5 本章小结 |
| 第三章 基于多维度特征提取网络的肝脏图像分割 |
| 3.1 相关网络及方法 |
| 3.1.1 UNet网络结构 |
| 3.1.2 空洞卷积 |
| 3.1.3 深度可分离卷积 |
| 3.1.4 损失函数 |
| 3.2 基于多维度特征提取网络的肝脏图像分割 |
| 3.2.1 RDD-UNet网络结构 |
| 3.2.2 不平衡深度可分离空洞卷积模块 |
| 3.2.3 混合损失函数和深度监督结构 |
| 3.3 实验及结果分析 |
| 3.3.1 实验数据与实验环境 |
| 3.3.2 实验一:混合损失函数和深度监督实验效果 |
| 3.3.3 实验二:空洞卷积与残差连接实验效果 |
| 3.3.4 实验三:与其他方法对比 |
| 3.4 本章小结 |
| 第四章 基于密集注意力LSTM网络的肝脏肿瘤图像分割 |
| 4.1 相关网络及方法 |
| 4.1.1 密集连接网络 |
| 4.1.2 注意力机制 |
| 4.1.3 RNN切片序列处理 |
| 4.2 基于密集注意力LSTM网络的肝脏肿瘤图像分割 |
| 4.2.1 算法结构概述 |
| 4.2.2 UDAB-LSTM网络结构 |
| 4.2.3 残差混合域注意力模块(sc RSE) |
| 4.2.4 切片序列处理 |
| 4.3 实验及结果分析 |
| 4.3.1 实验数据与实验环境 |
| 4.3.2 实验一:密集连接模块和注意力模块实验效果 |
| 4.3.3 实验二:切片序列处理实验效果 |
| 4.3.4 实验三:与其他方法对比 |
| 4.4 本章小结 |
| 第五章 肝脏肿瘤自动分割可视化系统 |
| 5.1 PyQt5 简介 |
| 5.2 系统架构 |
| 5.2.1 系统架构设计 |
| 5.2.2 系统功能模块设计 |
| 5.3 系统实现与测试 |
| 5.3.1 系统使用流程 |
| 5.3.2 启动页面 |
| 5.3.3 登录页面 |
| 5.3.4 主功能页面 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文总结 |
| 6.2 研究展望 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
（10）快速和高分辨拉曼成像技术及高通量光谱分析方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 拉曼散射及拉曼光谱简介 |
| 1.1.1 非弹性拉曼散射原理概述 |
| 1.1.2 拉曼光谱及其在生物医学研究中的应用 |
| 1.2 拉曼成像及光谱处理与分析研究现状 |
| 1.2.1 拉曼光谱成像概述 |
| 1.2.2 拉曼光谱处理与分析概述 |
| 1.3 拉曼成像方法的瓶颈与突破讨论 |
| 1.4 论文研究内容与章节安排 |
| 1.4.1 论文研究内容 |
| 1.4.2 论文章节安排 |
| 第2章 拉曼成像光学系统设计基础 |
| 2.1 引言 |
| 2.2 共聚焦拉曼成像系统设计及功能验证 |
| 2.2.1 共聚焦拉曼成像系统的光学设计 |
| 2.2.2 控制程序设计及关键参数标定 |
| 2.2.3 标准微球样品的共聚焦拉曼成像 |
| 2.3 线扫描拉曼成像系统设计及功能验证 |
| 2.3.1 线扫描拉曼成像系统的光学设计 |
| 2.3.2 控制程序设计及关键参数标定 |
| 2.3.3 标准微球样品的线扫描拉曼成像 |
| 2.4 本章小结 |
| 第3章 基于先验信息的快速拉曼压缩成像研究 |
| 3.1 引言 |
| 3.2 压缩感知理论基础及应用 |
| 3.3 新型共聚焦先验拉曼压缩成像研究 |
| 3.3.1 点扫描拉曼成像稀疏采样设计与实现 |
| 3.3.2 压缩感知成像重建算法设计及仿真验证 |
| 3.3.3 实验设计与结果分析 |
| 3.4 本章小结 |
| 第4章 结合结构光照明的超分辨拉曼成像研究 |
| 4.1 引言 |
| 4.2 结构光照明超分辨显微技术基础 |
| 4.3 结构光照明超分辨拉曼成像技术研究 |
| 4.3.1 线扫描拉曼成像系统时空调制结构光照明验证 |
| 4.3.2 超分辨拉曼成像重建算法优化及仿真验证 |
| 4.3.3 实验设计与结果分析 |
| 4.4 本章小结 |
| 第5章 基于卷积神经网络的光谱成分分析研究 |
| 5.1 引言 |
| 5.2 卷积神经网络简介 |
| 5.3 混合拉曼光谱成分量化研究 |
| 5.3.1 训练与验证数据集设计 |
| 5.3.2 卷积神经网络模型构建与训练 |
| 5.3.3 光谱成分预测与结果分析 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 6.1 工作总结 |
| 6.2 研究展望 |
| 参考文献 |
| 附录A 标准化拉曼光谱处理与分析常用算法的数学描述 |
| A.1 Whittaker Smoother去噪算法 |
| A.2 非对称最小二乘回归去基线算法 |
| A.3 无监督的顶点成分分析算法 |
| 附录B 用于拉曼光谱测量和拉曼成像的样品制备 |
| B.1 标准尺寸小球样品的制备 |
| B.2 生物细胞样品制备 |
| 致谢 |
| 在读期间发表的学术论文与取得的研究成果 |
四、三维医学图像优化压缩算法（论文参考文献）
- [1]基于压缩感知的光谱成像系统和重构算法研究[D]. 陶陈凝. 浙江大学, 2021(01)
- [2]平扫CT图像肾脏肿瘤的三维分割深度算法研究[D]. 辛宇. 南京信息工程大学, 2021(01)
- [3]图像重构优化计算研究[D]. 李一轩. 山西财经大学, 2021(09)
- [4]面向医学图像处理的3D残差深度模型研究[D]. 杨欢. 江南大学, 2021(01)
- [5]医学影像重建算法研究及应用[D]. 闫芳. 山东师范大学, 2021(12)
- [6]投影驱动的极稀疏投影CT图像重建应用研究[D]. 武丽君. 山东大学, 2021(12)
- [7]基于深度学习的纵膈淋巴结识别算法研究[D]. 徐少伟. 中北大学, 2021(09)
- [8]自动化立体仓库监测数据管理系统研究[D]. 谭建. 西南科技大学, 2021(08)
- [9]基于深度学习的肝脏肿瘤图像分割算法研究与应用[D]. 刘蕊. 太原理工大学, 2021(01)
- [10]快速和高分辨拉曼成像技术及高通量光谱分析方法研究[D]. 胡传真. 中国科学技术大学, 2021(09)