一、Research and Implementation of DICOM Format Conversion on Medical Images（论文文献综述）
滕婧[1]（2021）在《多模态医疗图像标注系统的设计与实现》文中认为随着科技的发展,医疗领域逐渐走向智能化,越来越多的研究人员开始医疗图像研究。医疗图像的研究离不开医疗图像数据集的构建,所以医疗图像标注系统的研究与开发应运而生,然而,医疗图像的特异性对医疗图像标注系统提出了更高的要求,如何利用医疗图像的特点,设计合理的标注方法,成为标注系统设计的一大挑战。本文针对医疗图像具有特异性的特点,设计并开发了多模态医疗图像标注系统。其针对医疗图像多模态的特点,设计了多种标注方法,可以满足多种医疗图像标注的需求,同时,针对不同标注方法,采用多元标注存储,设计了多种不同类型的标注文件,满足数据集构建的需求。该标注系统基于移动端开发,相比电脑端更方便标注人员标注,可以提高标注效率。本文在第一章介绍了课题的背景,意义以及相关工作,并阐述了本文的研究目标。接下来详细介绍了与该标注系统设计及开发关系密切的关键技术,医疗图像知识和第三方库。之后本文分析了该系统的功能性和非功能性需求,介绍了该系统的总体设计框架,并就细分的医疗图像标注模块、标注保存模块等模块分别进行了概括介绍。紧接着,展示了各个模块的详细设计,以及具体实现时各类的接口方法说明。在此之后,本文对该系统中各模块功能进行了测试,测试结果表明该系统各功能均符合设计预期。最后,总结了在设计和实现标注系统时做出的主要贡献和不足,并展望了未来医疗图像标注系统的提升发展方向。
刘沛栋[2]（2021）在《基于复合混沌理论的医疗图像密码系统研究》文中研究指明医疗图像信息安全已成为当今社会热议的话题。医疗图像信息具有数据量大的特点,当使用传统密码系统传输医疗图像时,安全性和加解密速度不能同时兼顾。而混沌系统具备的非动力学特征则符合了密码学中所需的置乱性和扩散性特点,因此,基于混沌系统来设计安全、高效的医疗密码系统成为目前一个重要的研究方向。基于混沌理论设计的医疗图像密码系统的安全性能和加解密效率与采用的混沌系统、置乱算法、扩散算法的性能有关。传统一维混沌系统具有密钥空间小、混沌区间存在断点、输出的混沌序列分布不均匀的问题。针对以上问题,本文将现有的混沌系统进行适当的并联和级联组合。使用Matlab仿真软件测试设计的复合混沌系统,实验证明其具有李雅普诺夫指数高、混沌区间宽而连续、混沌序列分布均匀、密钥空间较大等特点。可以作为混沌序列发生器应用于医疗图像密码系统中。在医疗图像密码系统中,应用传统置乱算法和扩散算法产生的密文图像随机性低。基于该问题提出改进措施,引入“均匀置乱”和“分块”方法,将每一块中的像素点均匀置乱到每一个像素分块中,对经过置乱算法的图像采用分块扩散技术,即将像素点分为三个部分分别设计扩散算法。使用Matlab仿真软件绘制加密后的密文图像并且统计信息熵,实验结果表明,改进的扩散算法和置乱算法能够有效提升加密后图像的随机性,具体体现在信息熵统计量的值为7.9992,趋近于理论值。将医疗明文图像与密钥输入到设计的基于复合混沌的医疗图像密码系统中,使用Matlab对此系统进行安全性和加解密效率测试,此系统加解密所消耗的时间为0.4-0.7s,密钥空间为2265,信息熵大小在7.9993-7.9998之间,各项指标良好。测试结果表明此系统是一个具有实际应用价值的医疗图像密码系统。
王艺衡[3]（2021）在《3D打印人体可降解植入物降解速率预测方法研究》文中提出3D 打印工艺下可降解植入物的降解速率进行预测,在医学领域的应用有重要的价值和意义。本文结合图像处理技术和3D打印技术,以医院提供的核磁共振图像为研究对象,进行如下方面的研究:分析医学图像噪声类型,提出基于噪声检测的改进自适应双边滤波医学图像降噪算法。利用噪声的特性实现了图像噪声检测与标记,将椒盐噪声点替换为邻域内的非噪声点滤除图像中的椒盐噪声,再通过自适应双边滤波滤除图像高斯噪声,实现了保护图像边缘的图像混合噪声去除。降噪实验表明,本文降噪算法对混合噪声的滤除效果均优于传统降噪算法;边缘检测实验表明,该算法在保留边缘细节方面的能力优于传统算法。对图片中的植入物区域进行分割,提出了基于Canny算子和距离正则化的图像分割算法。利用Canny算子对图像边缘分割精确且能够抑制噪音的优点及DRLSE空间连续演化的思想,结合Canny算子与DRLSE算法,设计了一种分割算法;将Canny算子的解析式代入DRLSE方程中替换DRLSE解析式中的边缘指示函数,推导出本文算法的解析式。图像分割实验表明,本文算法的分割精度与抗噪声能力均优于DRLSE算法。通过DICOM文件的标签与图像分割结果计算植入物的体积;用一元线性回归模型结合机器学习方法实现对植入物降解速率的预测,将均方根误差作为损失函数指引优化方向,利用梯度下降法对一元线性回归模型进行优化,得到合适的一元线性预测模型。开展3D打印可降解植入物降解速率预测试验。选择PCL作为可降解植入物原材料,熔融沉积成型3D 打印机作为加工设备进行打印;由医院在保乳手术中将可降解假体植入患者体内,收集患者恢复期各阶段核磁共振影像数据;将本文提出的算法编写成为应用程序,测量出患者每一个恢复阶段植入物体积,把体积与植入时间制作成数据集并输入到一元线性回归预测模型中进行训练,得到预测模型;通过将植入物在患者体内降解的时间输入预测模型进行试验,对比预测值与真实值之间差距,获得本预测方法的精度。
刘昭[4]（2021）在《基于海马体影像组学的AD辅诊模型的研究与实现》文中指出阿尔兹海默症是一种神经不可逆疾病,在时间的逐渐推移过程中,患者自身的病情也将愈发严重。医学上将阿尔兹海默症的发展分为三个阶段,分别是认知正常（CN）、轻度认知障碍（MCI）和确诊阿尔兹海默症（AD）。目前,核磁共振（MRI）影像中海马体部位的体积和形态特征已经被用作诊断阿尔兹海默症的重要生物标志物,因此,针对海马体的研究对阿尔兹海默病的辅助诊断有着重大意义。本文以结构核磁共振（sMRI）影像为研究对象,首先提出了3DUnet-CBAM模型对三维海马体影像精确分割,接着提取海马体的影像组学特征,最后经过特征筛选融合、训练后,可以实现对阿尔兹海默症的分类预测。本文的主要研究内容和工作有:1)针对海马体体积小且边缘难以精准分割的特点,本文提出了一种基于3DUnet-CBAM的海马体分割模型。首先对数据进行预处理,该模型以3DUnet作为基础网络结构,采用三维卷积网络来避免二维切片之间的信息丢失,在下采样最后一层中融合CBAM注意力机制,使海马体影像的深层特征和浅层特征有效结合,最终提高了海马体的分割准确率。实验结果显示,该模型在验证集下的Dice相似性系数、精确率和召回率分别达到了89.01%、89.04%和88.97%。2)以分割后的海马体为研究对象,引入了绝对体积与相对体积的概念,通过实验证明了海马体的相对体积对AD的分类性能优于海马体的绝对体积,并针对阿尔兹海默症诊断的不同阶段,提出了基于影像组学的阿尔兹海默症分类模型,先提取海马体的影像组学特征,然后使用递归特征消除法筛选特征,接着将影像组学特征与海马体的相对体积结合,采用Adaboost分类器训练,实验结果显示,AD、MCI和CN分类的F1分数分别为0.89、0.86和0.91。3)本文结合上述模型与方法,设计并实现了基于海马体影像组学的阿尔兹海默症辅助诊断系统,其中包含了从二维DICOM影像到三维NIFTI影像的格式转换、海马体的体积测量以及智能辅助诊断等功能。用户可以通过输入sMRI影像来对海马体进行自动分割,输出海马体的相对体积以及对病情进行预测。
王静怡[5]（2021）在《种植牙手术导航系统关键技术研究》文中研究说明传统牙科医生通过测量和操作牙模来进行诊疗,该法成本高、耗时长、精度不高。现代三维牙齿的数字模型为牙科提供了重要的临床治疗信息。牙科医生可通过数字化模型将医疗器械或者种植体植入口腔进行诊断以及手术虚拟规划,进而实现数字化、高效、准确的牙科治疗。传统的医护人员手工进行牙齿种植已经难以满足现在口腔种植行业需要的精度,随着数字化技术发展,使用手术规划和导航系统辅助医师进行便捷、精准的进行种植牙手术已经成为欧美发达国家一种重要的趋势。而现有的种植牙手术导航系统多为国外产品垄断,难以被国内中小医院、牙科门诊所普及。在此背景下,本文结合医学图像处理理论,对种植牙手术规划与导航系统的关键技术进行研究。本文的主要研究内容包括:（1）研究了CBCT（锥形束计算机断层扫描图像）图像预处理理论,分析医学图像标准格式的图像特征,将CBCT与普通CT图像进行对比,优选了更适合CBCT图像性质的图像滤波、图像插值算法。（2）基于CBCT图像分割理论。对比和分析了传统水平集分割算法和阈值分割算法的优缺点,并通过在传统水平集分割算法上进行改进的思路,提出了一种PSO联合水平集算法的图像分割方法。并验证了序列的CBCT图像进行分割验证。（3）结合三维重建算法理论。通过对体绘制和面绘制两种不同绘制方法的对比和讨论,选用了面绘制方法里的移动立方体算法对牙列及颌骨进行三维重建。同时为了使重构的三维模型精度更高和更快的算法运行效率,提出了改进的移动立方体算法,并用实际的序列切片图像进行验证算法的重建效果和运行效率。（4）基于VTK开发软件包开发了一套用于种植牙手术导航系统的配套使用软件原型系统。该软件可以实现基本的种植牙手术规划和手术导航功能,通过三维交互操作和虚拟剖切功能方便医护人员进行种植牙手术规划设计,通过测量技术来确保种植体位置的精度,最后开发了种植牙手术仿真和模拟导航模块来预警种植手术过程中的碰撞伤害和种植体位置超差情况。
陆萌[6]（2020）在《面向深度学习的医学图像标注系统的研究与实现》文中提出近年来,深度学习被应用于多种医学图像分析问题,为医学影像智能辅助诊断带来了巨大突破。然而深度学习医学图像分析仍存在高质量标注数据集的缺乏这一痛点,绝大多数研究过程首先需要构建标注数据集。经过前期调研与分析,当前高质量标注数据集构建过程中存在以下问题:（1）该过程的质量控制缺乏标准框架,且公开的图像标注工具缺少标注过程质量控制功能,不利于标注数据集的准确性。（2）当前大多数公开的标注工具仅提供全手工标注方式,标注效率低下,时间成本高。部分工具提供经过大量数据训练的算法辅助标注的方案,但医学研究的多样性决定了经过大量数据训练的预训练模型难以获得,该方案不适用于医学图像。（3）当前公开的图像标注工具主要提供标注功能,缺乏对于人员、数据集等必要的管理,缺乏团队合作完成标注任务的支持,不足以支撑大规模医学图像的标注工作。针对以上问题,本文的主要研究内容分别如下:（1）在研究影响医学图像标注数据质量的需求的基础上,结合医学影像数据集构建流程设计实现了医学图像数据集构建质量控制框架。针对标注过程中质量控制,引入群智思想,设计与实现了多人协作标注质量控制方法。（2）设计与实现了基于深度学习的半自动标注系统,提高手工标注效率。该系统适应医学领域预标注需求,获取少量标注数据后即训练预标注模型,并能达到较高精度,并基于后续标注数据迭代更新模型,提高预标注效果。（3）搭建了医学图像标注系统,在实现通用格式和医学数字成像和通信（Digital Imaging and Communications in Medicine,DICOM）格式医学图像标注功能的基础上,提供团队协作标注支持与全面高效的管理功能,提供标注过程中质量控制功能,提供算法半自动标注功能。论文研究与实现了面向深度学习的医学图像标注系统,系统已部署于眼科医院应用,支撑眼科医生标注,为高质量医学图像标注数据获得提供了有力支撑。
宁国玺[7]（2020）在《腹盆腔三维可视化系统的设计与实现》文中指出随着科研水平的进步,计算机医学图像处理技术有了长远的发展且逐渐趋于成熟,基于医学图像处理的医学图像三维可视化技术在医学诊断和医学研究方面发挥出积极且至关重要的作用。通过对医学图像三维可视化技术处理过医学图像数据的观察,医务人员可以更加直观清晰的了解组织器官及病变组织的内部信息与空间结构,从而有效地进行医学诊断与手术模拟。在此基础上,研究并开发出一个医学图像三维可视化计算机应用软件具有十分重要的意义和研究价值。本文基于使用Opencv、VTK、ITK和Qt工具包,完成了从二维医学图像序列到三维立体器官模型这一过程,并对系统各组成部分的设计与实现进行了详细的介绍。文章中首先介绍了课题研究的背景与意义以及国内外研究现状。接着介绍了三维可视化进程的流程顺序即:读取医学图像序列数据;对读取到的数据进行预处理步骤;对感兴趣的目标器官或组织进行分割;基于分割后的图像数据生成三维立体模型。论文基于每一步的流程详细地介绍了完成这些步骤的相关技术与算法,比如使用区域生长算法分割器官组织以及使用体绘制算法完成三维建模的工作。在介绍完理论技术与算法之后,介绍本系统使用的工具与编写工作环境。比如使用ITK工具包完成医学图像读取与图像分割的工作,使用VTK工具包完成三维模型的渲染,使用Qt完成对整个系统界面的设计以及用户交互事件响应机制的设计,并对系统架构的设计进行了详细介绍。最后通过进行系统测试将本文中提到过的所有算法与技术以截图的形式进行展示。
于明晖[8]（2020）在《基于卷积神经网络的医学图像器官分割算法研究》文中提出本文主要针对食管癌放疗靶区以及周围危及器官同时分割的技术进行研究。近年来,医学图像分割/器官分割以卷积神经网络为主。虽然取得了令人鼓舞的成绩,但也存在两个缺点。一方面,关于单器官分割的文献较多,而针对多器官分割问题的文献较少。另一方面,许多分割方法在自然图像分割数据集上的多目标分割效果较好,但在食管癌医学图像分割上的效果欠佳。针对上述问题,本文就医学图像器官分割开展研究,主要工作如下:（1）为了能够准确地分割器官区域,本文在U-Net网络中增加归一化处理层,加快网络收敛速度,防止梯度消失,从而提高分割的精度。另外,为了能够提升卷积神经网络模型的分割速度,本文巧妙地利用1×1卷积核和合适的卷积通道数来降低模型参数,从而提高了器官分割效率。（2）为了将Mask R-CNN算法更好的运用与食管癌器官分割中,本文对Mask R-CNN算法做出四点改进,提出了一种新的分割算法,名为MsMR-Net的深度学习算法。其具体改进部分为:a)改进Mask R-CNN算法特征提取网络中的ResNet网络结构,使得主干网络更好的获得食管癌图像器官信息;b)对区域建议网络得到的ROI进行多尺度ROI Align操作,融合多层特征图信息。c)在原来的Mask分支基础上增加了包含两个3*3卷积层的全卷积网络分支,将这两个分支的输出Mask进行融合,得到最终的分割结果。d)由于本文是针对食管癌器官图像分割,因此对边界的分割结果很敏感也非常重要。所以本文对损失函数Lmask提出改进,即在其中加入边界加权损失函数。（3）同时本文将训练好的模型使用OpenCV4.0（Open Source Computer Vision Library）4.0（Open Source Computer Vision Library）成功移植到Windows端,同时结合QT、VTK（Visualization ToolKit,VTK）、ITK（Insight Segmentation and Registration Toolkit,ITK）设计了一个图像分割软件。该软件功能包括可以读入一个序列食管癌DICOM（Digital Imaging and Communications in Medicine,DICOM）医学CT图像,并通过点击相应的按键,可以在读取的图像每层切片上显示出使用本文算法训练出的模型所分割的目标器官区域。极大的方便操作使用,可以给医生在食管癌放疗治疗方案中做参考。
蔡坤贝[9]（2020）在《核素骨扫描图像自动识别算法研究》文中提出全身骨扫描图像分析经常用于辅助核医学医师进行癌症骨转移检测。老龄化的加剧和人口上涨导致全身骨扫描的诊断检测需求上涨。核医学医师必须慎重阅片并撰写诊断报告,导致其工作量显着增加。本文结合骨扫描图像特点,针对上述问题,采用机器学习新方法,研究核素骨扫描图像自动识别技术,辅助临床医生诊断骨转移,要求自动标注疑似骨转移和异常的部位。本文的主要内容和研究成果如下:1)基于解剖学进行全身骨扫描影像分割。结合骨扫描图像的生物学特点,将骨扫描图像分割成26个同质的子区域,其中包括头部、肩部、胸腔、肘关节等。整个分割过程包括基于统计学的特征值计算、特征点定位。2)提出重定位图像分割方法。依据特征值、特征点之间的关联性和经验参数,将少量错误分割的骨扫描图像子区域重新定位,显着提高图像分割精度。3)提出脊柱轮廓裁剪分割算法。通过最优阈值法提取脊柱的轮廓后,脊柱轮廓一般会包含肾脏、高灰度肋骨等器官,利用本文提出的脊柱轮廓裁剪算法,将非脊柱轮廓部分进行裁剪,能精确提取脊柱区域。4)构建深度并行学习网络用于检测骨转移和异常区域。将分割产生的26个同质子区域,同时输入26个并行深度学习网络,并行检测每个子区域中存在的异常。并行深度学习网络能快速、精准检测并定位全身骨扫描图像中存在的异常区域,其检测速度远超经验丰富的核医学专家。课题实验对689张全身骨扫描图像进行分割,成功率达97.2%。对于本文提出的并行深度学习网络,采用灵敏性、特异性,AUC面积作为评价指标进行性能测试。单个深度学习网络的灵敏性和特异性最高达97.3%和99.9%,最高的AUC值为99.0%;整体并行深度网络的灵敏性和特异性分别为71.8%和99.2%,AUC值为86.2%。整个网络对一个患者的骨扫描图像的检测可以在毫秒内完成。实验表明,本文所提并行深度学习网络具备极高的特异性和可接受的灵敏性,有望用于临床辅助诊断。
陈江华[10]（2020）在《基于MRI图像的直肠癌辅助诊断关键技术研究》文中认为核磁共振成像技术（Magnetic Resonance Imaging,MRI）相比传统的电子计算机断层扫描（Computed Tomography,CT）成像技术,能够提供更加丰富的信息。本文的研究内容是基于MRI图像的直肠癌辅助诊断和疗效评估,所有检测图像来源于合作单位——四川省人民医院放射科室。主要工作包括:（1）研究了直肠癌MRI图像的预处理。首先实现了对医学数字成像和通信（Digital Imaging and Communications in Medicine,DICOM）格式文件的批量转换处理,其次对直肠癌MRI图像进行相关预处理研究,包括基于小波变换对比度增强算法、局部对比度增强算法、基于灰度级分组的图像对比度增强算法,算法明显提高了直肠癌MRI图像的对比度。（2）研究了直肠区域定位算法。通过对人体盆腔结构学的分析,提出了基于先验信息的直肠区域定位算法,使用直肠癌MRI T2加权图（T2-weighted imaging,T2WI）精准的定位直肠,并根据感知哈希在MRI T2WI序列图中匹配直肠,完成基于感知哈希的直肠区域匹配算法。（3）研究了直肠及其病变的分割算法。针对直肠及其病变的分割,提出了简单线性迭代聚类（simple linear iterative clustering,SLIC）结合模糊均值聚类（Fuzzy c-means,FCM）的方法在MRI T2WI图上精准的分割出直肠,并使用全自动的区域生长法在弥散加权图像（Diffusion weighted imaging,DWI）上分割出病变区域。（4）研究了直肠癌良恶性分类算法。使用Haralick纹理特征模型、Gabor纹理特征模型、局部二值模式（Local Binary Pattern,LBP）纹理特征模型分别对直肠癌变区域进行特征提取,针对LBP存在冗余特征的问题,使用主成分分析（Principal Component Analysis,PCA）对其进行降维处理。研究分析了这三种特征的相互融合,使用支持向量机（Support Vector Machine,SVM）分类器对直肠癌MRI图像数据进行分类,对其结果进行评价分析,分类准确率高达91.25%,AUC均值为0.9034。（5）研究了直肠癌疗效评估算法。详细介绍了医学诊疗效果分期标准,并根据现有数据优化分类,提出了结合MRI T2WI图和DWI图的直肠癌疗效评估算法,完成了直肠癌治疗疗效的初步估计,算法准确率为89.66%。
二、Research and Implementation of DICOM Format Conversion on Medical Images（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、Research and Implementation of DICOM Format Conversion on Medical Images（论文提纲范文）
（1）多模态医疗图像标注系统的设计与实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 主要研究内容 |
| 1.3.1 研究目标 |
| 1.3.2 研究内容 |
| 1.3.3 主要工作 |
| 1.4 论文组织结构 |
| 第二章 关键技术 |
| 2.1 前端开发方法 |
| 2.1.1 HTML5技术 |
| 2.1.2 CSS3技术 |
| 2.1.3 JavaScript技术 |
| 2.2 HTML5+APP |
| 2.3 医疗图像相关知识 |
| 2.3.1 医疗图像特点 |
| 2.3.2 DICOM标准 |
| 2.3.3 DICOM文件结构 |
| 2.4 开源库介绍 |
| 2.4.1 MUI开发框架 |
| 2.4.2 cornerstone |
| 2.5 本章小结 |
| 第三章 医疗图像标注系统需求分析与概要设计 |
| 3.1 医疗图像标注系统总体需求分析 |
| 3.1.1 医疗图像标注系统总体需求分析 |
| 3.1.2 系统用例图 |
| 3.2 医疗图像标注系统的功能性需求分析 |
| 3.2.1 医疗图像读取功能需求分析 |
| 3.2.2 医疗图像标注功能需求分析 |
| 3.2.3 医疗图像标注保存需求分析 |
| 3.2.4 数据管理功能需求分析 |
| 3.3 医疗图像标注系统的非功能性需求分析 |
| 3.3.1 性能和稳定性 |
| 3.3.2 扩展性需求 |
| 3.3.3 适应性需求 |
| 3.3.4 易用性需求 |
| 3.4 系统开发技术难点和解决方案 |
| 3.5 医疗图像标注系统总体设计 |
| 3.5.1 系统功能结构图 |
| 3.5.2 医疗图像标注系统的总体架构 |
| 3.5.3 医疗图像标注系统总体流程图和活动图 |
| 3.6 图像标注模块概要设计 |
| 3.7 标注保存模块概要设计 |
| 3.8 数据管理模块概要设计 |
| 3.9 用户管理模块概要设计 |
| 3.10 本章小结 |
| 第四章 医疗图像标注系统详细设计与实现 |
| 4.1 图像标注模块详细设计与实现 |
| 4.1.1 医疗图像读取模块设计与实现 |
| 4.1.2 医疗图像标注模块详细设计与实现 |
| 4.2 医疗图像标注保存模块详细设计与实现 |
| 4.3 医疗图像数据管理模块详细设计与实现 |
| 4.4 用户管理模块详细设计与实现 |
| 4.5 本章小结 |
| 第五章 多模态医疗图像标注系统测试 |
| 5.1 系统测试环境 |
| 5.2 系统功能性测试 |
| 5.2.1 系统总体测试 |
| 5.2.2 医疗图像读取测试 |
| 5.2.3 医疗图像标注测试 |
| 5.2.4 医疗图像标注保存测试 |
| 5.2.5 数据管理功能测试 |
| 5.2.6 用户管理功能测试 |
| 5.3 系统功能展示 |
| 5.3.1 系统主页面展示 |
| 5.3.2 医疗图像标注功能展示 |
| 5.3.3 标注文件展示 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 工作总结 |
| 6.2 工作展望 |
| 参考文献 |
| 致谢 |
（2）基于复合混沌理论的医疗图像密码系统研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 课题研究背景及意义 |
| 1.1.1 医学图像传输安全的重要性 |
| 1.1.2 医疗图像密码系统设计意义 |
| 1.2 国内外研究现状 |
| 1.3 研究内容及章节安排 |
| 1.3.1 研究内容 |
| 1.3.2 论文主要组织结构 |
| 2 相关理论研究 |
| 2.1 密码学基础 |
| 2.1.1 密码体制 |
| 2.1.2 安全性分析 |
| 2.2 混沌原理基础 |
| 2.2.1 混沌的特征及判断标准 |
| 2.2.2 典型混沌系统 |
| 2.2.3 混沌与密码系统的联系 |
| 2.2.4 混沌加密的基本思想 |
| 2.3 医疗图像预处理研究 |
| 2.3.1 医疗图像的特点 |
| 2.3.2 DICOM格式医疗图像的结构 |
| 2.3.3 DICOM格式医疗图像预处理 |
| 2.4 本章小结 |
| 3 复合混沌系统的设计 |
| 3.1 一维混沌系统研究 |
| 3.1.1 一维逻辑斯蒂映射 |
| 3.1.2 一维帐篷映射 |
| 3.1.3 一维正弦映射 |
| 3.2 一维混沌系统改进算法研究 |
| 3.2.1 级联方案性能分析 |
| 3.2.2 并联方案性能分析 |
| 3.3 复合混沌系统 |
| 3.3.1 复合混沌系统设计 |
| 3.3.2 复合混沌系统仿真研究 |
| 3.4 复合混沌系统性能测试 |
| 3.4.1 混沌序列的概率分布测试 |
| 3.4.2 空间结构测试 |
| 3.5 本章小结 |
| 4 基于复合混沌理论的医疗图像密码系统及置乱扩散算法研究 |
| 4.1 基于混沌理论的医疗图像密码系统设计 |
| 4.2 加解密方案设计 |
| 4.2.1 医疗图像加密方案 |
| 4.2.2 医疗图像解密方案 |
| 4.3 置乱算法研究 |
| 4.3.1 传统置乱算法 |
| 4.3.2 基于Arnold伪随机矩阵置乱算法 |
| 4.3.3 基于均匀置乱改进Arnold伪随机矩阵置乱算法 |
| 4.3.4 改进置乱算法性能分析 |
| 4.4 扩散算法研究 |
| 4.4.1 传统扩散算法 |
| 4.4.2 基于分块改进扩散算法 |
| 4.4.3 改进扩散算法性能分析 |
| 4.5 本章小结 |
| 5 复合混沌医疗图像密码系统性能分析 |
| 5.1 实验环境及仿真结果 |
| 5.2 加解密速度分析 |
| 5.3 密钥空间分析 |
| 5.4 统计特性分析 |
| 5.4.1 直方图分析 |
| 5.4.2 相关系数分析 |
| 5.5 敏感性分析 |
| 5.5.1 NPCR、UACI和BACI |
| 5.5.2 明文敏感性分析 |
| 5.5.3 密文敏感性分析 |
| 5.6 信息熵分析 |
| 5.7 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 附录 |
（3）3D打印人体可降解植入物降解速率预测方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 课题研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.2.3 目前存在的问题 |
| 1.3 主要研究内容与技术路线 |
| 1.3.1 主要研究内容 |
| 1.3.2 技术路线 |
| 2 基于噪声检测的改进自适应双边滤波医学图像降噪算法 |
| 2.1 图像的预处理 |
| 2.1.1 文件的获取 |
| 2.1.2 DICOM格式的转换 |
| 2.1.3 图像数据类型转换 |
| 2.2 噪声检测部分 |
| 2.2.1 图像噪声模型 |
| 2.2.2 图像噪声检测与标记 |
| 2.3 图像降噪部分 |
| 2.3.1 自适应双边滤波原理及缺陷 |
| 2.3.2 本文算法 |
| 2.4 实验验证分析与实际应用效果 |
| 2.4.1 降噪实验结果 |
| 2.4.2 边缘检测实验结果 |
| 2.4.3 实验结果分析 |
| 2.4.4 算法实际应用效果 |
| 2.5 本章小结 |
| 3 基于Canny算子和距离正则化水平集的植入物图像分割算法 |
| 3.1 基本算法简介 |
| 3.1.1 距离正则化水平集的基本原理 |
| 3.1.2 Canny算法简介 |
| 3.2 算法设计 |
| 3.3 实验验证与分析 |
| 3.3.1 分割精度对比实验 |
| 3.3.2 算法的抗噪声性能对比实验 |
| 3.4 本章小结 |
| 4 乳腺植入物体积测量及降解速率预测方法 |
| 4.1 目前医生测量体积常用的方法 |
| 4.1.1 体视学法 |
| 4.1.2 计算机辅助测量法 |
| 4.2 本文采用的体积测量方法 |
| 4.3 植入物体积测量结果 |
| 4.4 植入物降解速率的预测方法 |
| 4.4.1 一元线性回归模型 |
| 4.4.2 预测模型的搭建 |
| 4.5 本章小结 |
| 5 3D打印可降解植入物降解速率预测试验 |
| 5.1 熔融沉积成型3D打印技术 |
| 5.2 植入物的打印制作 |
| 5.3 植入物降解速率预测试验 |
| 5.4 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
（4）基于海马体影像组学的AD辅诊模型的研究与实现（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 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 研究内容 |
| 1.4 论文组织结构 |
| 1.5 本章小结 |
| 2 相关理论及技术 |
| 2.1 影像组学 |
| 2.2 图像分割 |
| 2.2.1 阈值法 |
| 2.2.2 区域生长法 |
| 2.2.3 基于边缘分割 |
| 2.2.4 基于深度学习分割 |
| 2.3 特征选择 |
| 2.3.1 过滤法 |
| 2.3.2 包裹法 |
| 2.3.3 嵌入法 |
| 2.4 注意力机制 |
| 2.5 本章小结 |
| 3 基于3DUnet-CBAM的海马体分割模型 |
| 3.1 研究背景 |
| 3.2 整体框架 |
| 3.3 网络结构 |
| 3.3.1 编码器 |
| 3.3.2 CBAM注意力机制 |
| 3.3.3 解码器 |
| 3.4 实验分析 |
| 3.4.1 数据集 |
| 3.4.2 数据预处理 |
| 3.4.3 实验环境 |
| 3.4.4 实验结果与分析 |
| 3.5 本章小结 |
| 4 基于影像组学特征提取的AD分类 |
| 4.1 研究背景 |
| 4.2 影像组学特征提取 |
| 4.3 影像组学特征降维 |
| 4.3.1 特征降维 |
| 4.3.2 特征选择 |
| 4.4 绝对体积与相对体积 |
| 4.5 影像分类算法 |
| 4.5.1 KNN分类算法 |
| 4.5.2 SVM分类算法 |
| 4.5.3 Adaboost集成分类算法 |
| 4.6 实验分析 |
| 4.6.1 数据集 |
| 4.6.2 评估方法 |
| 4.6.3 实验结果与分析 |
| 4.7 本章小结 |
| 5 系统实现 |
| 5.1 应用背景 |
| 5.2 需求分析 |
| 5.3 系统设计 |
| 5.3.1 模型训练模块 |
| 5.3.2 格式转换模块 |
| 5.3.3 智能预测模块 |
| 5.4 实现效果 |
| 5.4.1 用户登录 |
| 5.4.2 格式转换 |
| 5.4.3 海马体分割 |
| 5.4.4 智能诊断 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读学位期间的研究成果目录 |
| 致谢 |
（5）种植牙手术导航系统关键技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题背景 |
| 1.2 国内外研究现状 |
| 1.2.1 CBCT图像分割技术研究现状 |
| 1.2.2 牙齿三维重建技术的研究现状 |
| 1.2.3 种植牙手术规划与导航系统应用现状 |
| 1.3 技术路线和研究内容 |
| 第二章 种植牙手术导航系统理论基础 |
| 2.1 CBCT图像解析原理 |
| 2.1.1 DICOM医学图像格式 |
| 2.1.2 CBCT图像 |
| 2.1.3 CBCT序列图像的解析 |
| 2.2 牙齿CBCT图像分割算法理论 |
| 2.2.1 PSO算法理论 |
| 2.2.2 水平集算法理论 |
| 2.3 牙列及颌骨三维重建算法理论 |
| 2.3.1 标准MC三维重建算法理论 |
| 2.3.2 等值面拉普拉斯平滑理论 |
| 2.3.3 边塌陷理论 |
| 2.4 本章小结 |
| 第三章 种植牙手术导航系统软件框架设计 |
| 3.1 种植牙手术导航系统软件需求分析与功能设计 |
| 3.2 种植牙手术导航系统软件总体设计 |
| 3.2.1 模块层次结构 |
| 3.2.2 界面总体设计 |
| 3.3 本章小结 |
| 第四章 牙列及颌骨的三维可视化建模 |
| 4.1 三维可视化基本流程 |
| 4.1.1 VTK的架构 |
| 4.1.2 VTK的可视化流程 |
| 4.1.3 牙齿及牙列的三维可视化基本流程 |
| 4.2 CBCT图像的预处理 |
| 4.2.1 图像滤波 |
| 4.2.2 图像插值 |
| 4.3 牙齿及牙列的CBCT图像分割 |
| 4.3.1 PSO联合水平集算法步骤 |
| 4.3.2 图像分割结果与分析 |
| 4.4 牙齿及牙列的三维重建 |
| 4.4.1 改进MC三维重建算法步骤 |
| 4.4.2 三维重建结果与分析 |
| 4.5 本章小结 |
| 第五章 种植牙手术定位规划与导航技术开发 |
| 5.1 结合CBCT图像和牙齿重建的手术定位规划方案制定 |
| 5.1.1 虚拟剖切面的生成功能技术开发 |
| 5.1.2 三维交互操作技术功能开发 |
| 5.2 辅助测量技术功能开发 |
| 5.2.1 长度测量 |
| 5.2.2 角度测量 |
| 5.3 种植牙手术导航技术开发 |
| 5.3.1 种植体的建模设计 |
| 5.3.2 模拟种植牙手术功能实现 |
| 5.3.3 虚拟剖切位置更新 |
| 5.3.4 种植过程预警技术功能开发 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文工作总结 |
| 6.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（6）面向深度学习的医学图像标注系统的研究与实现（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 国内外研究现状及分析 |
| 1.2.1 医学图像标注数据集现状 |
| 1.2.2 医学图像数据集构建质量控制现状 |
| 1.2.3 标注工具现状 |
| 1.2.4 国内外研究现状总结 |
| 1.3 主要研究内容 |
| 1.4 硕士在读期间主要完成工作 |
| 1.5 论文组织结构 |
| 第二章 相关理论与技术研究 |
| 2.1 医学图像 |
| 2.1.1 常见医学图像成像模式 |
| 2.1.2 常见医学图像存储格式 |
| 2.1.3 DICOM解析 |
| 2.1.4 医学图像窗技术 |
| 2.1.5 本节小结 |
| 2.2 计算机视觉相关技术 |
| 2.2.1 图像分类模型 |
| 2.2.2 图像分割模型 |
| 2.2.3 本节小结 |
| 2.3 Web前端技术 |
| 2.3.1 Vue.js |
| 2.3.2 Canvas |
| 2.3.3 本节小结 |
| 2.4 本章小结 |
| 第三章 数据集构建质量控制框架研究 |
| 3.1 医学图像标注数据集质量需求 |
| 3.2 医学图像标注数据集构建流程 |
| 3.3 框架具体设计 |
| 3.3.1 数据需求分析 |
| 3.3.2 原始数据集获取 |
| 3.3.3 数据标注 |
| 3.3.4 数据存储 |
| 3.4 多人协作标注图像标注质量控制方法研究 |
| 3.4.1 传统标注方式质量控制缺陷 |
| 3.4.2 多人协作图像标注质量控制方法 |
| 3.5 框架应用 |
| 3.6 本章小结 |
| 第四章 基于深度学习的半自动标注方案研究 |
| 4.1 研究动机 |
| 4.2 方案流程设计 |
| 4.3 详细方案 |
| 4.3.1 基础分割模型搭建 |
| 4.3.2 训练触发控制 |
| 4.3.3 模型训练 |
| 4.3.4 标注处理 |
| 4.4 方案分割应用测试 |
| 4.5 本章小结 |
| 第五章 面向深度学习的医学图像标注系统的设计与实现 |
| 5.1 需求分析 |
| 5.1.1 系统业务需求 |
| 5.1.2 系统功能需求 |
| 5.2 系统总体设计 |
| 5.2.1 系统总体架构 |
| 5.2.2 系统功能流程 |
| 5.3 核心子系统设计与实现 |
| 5.3.1 数据管理子系统 |
| 5.3.2 任务管理子系统 |
| 5.3.3 图像标注子系统 |
| 5.3.4 人员管理子系统 |
| 5.3.5 方案管理子系统 |
| 5.3.6 质量控制子系统 |
| 5.4 本章小结 |
| 第六章 系统测试与展示 |
| 6.1 测试环境 |
| 6.2 功能测试 |
| 6.2.1 数据管理子系统功能测试 |
| 6.2.2 任务管理子系统功能测试 |
| 6.2.3 图像标注子系统功能测试 |
| 6.2.4 人员管理子系统功能测试 |
| 6.2.5 方案管理子系统功能测试 |
| 6.3 本章小结 |
| 第七章 总结与展望 |
| 7.1 本文工作总结 |
| 7.2 本文的不足及展望 |
| 附录 |
| 附录A: 中英文缩略词对照表 |
| 参考文献 |
| 致谢 |
| 攻读学位期间取得的研究成果 |
（7）腹盆腔三维可视化系统的设计与实现（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.3 论文的主要内容和组织结构 |
| 第二章 医学图像预处理 |
| 2.1 可视化流程与图像预处理作用 |
| 2.2 DICOM格式解析 |
| 2.2.1 DICOM标准 |
| 2.2.2 CT值 |
| 2.2.3 窗位窗宽 |
| 2.3 图像滤波 |
| 2.3.1 均值滤波器 |
| 2.3.2 中值滤波器 |
| 2.3.3 高斯滤波器 |
| 2.4 本章小结 |
| 第三章 医学图像分割算法 |
| 3.1 阈值分割算法 |
| 3.1.1 手动选择阈值法 |
| 3.1.2 最大类间方差法 |
| 3.1.3 最大熵阈值分割算法 |
| 3.2 区域生长算法 |
| 3.3 基于边缘的分割算法 |
| 3.3.1 Sobel算子 |
| 3.3.2 Canny算子 |
| 3.4 本章小结 |
| 第四章 医学图像三维重建算法 |
| 4.1 面绘制可视化算法 |
| 4.2 体绘制可视化算法 |
| 4.2.1 光线投射法(ray-casting)介绍 |
| 4.2.2 光线投影法具体步骤 |
| 4.3 本章小结 |
| 第五章 医学图像三维可视化系统搭建 |
| 5.1 有关医学图像处理程序的工具 |
| 5.1.1 OpenCV |
| 5.1.2 ITK |
| 5.1.3 VTK |
| 5.2 系统开发环境介绍 |
| 5.3 图像数据控制部分 |
| 5.3.1 医学图像输入输出 |
| 5.3.2 系统图像格式 |
| 5.3.3 图像数据item的树形结构 |
| 5.3.4 用户图形界面UI设计 |
| 5.4 图像模型显示部分 |
| 5.4.1 可视化流程 |
| 5.4.2 渲染器 |
| 5.4.3 图像交互 |
| 5.5 本章小结 |
| 第六章 系统测试案例 |
| 6.1 测试用例 |
| 6.2 系统测试结果 |
| 6.2.1 导入DICOM序列文件 |
| 6.2.2 图像鼠标操作测试 |
| 6.2.3 图像描绘与区域生长 |
| 6.2.4 阈值分割效果 |
| 6.2.5 体绘制测试 |
| 6.2.6 面绘制渲染效果 |
| 6.3 本章小结 |
| 第七章 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
| 个人简况及联系方式 |
（8）基于卷积神经网络的医学图像器官分割算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究的背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 本文研究的主要内容和目的 |
| 1.4 论文章节安排 |
| 第二章 相关知识和算法分析 |
| 2.1 引言 |
| 2.2 卷积神经网络概述 |
| 2.2.1 数据输入层 |
| 2.2.2 卷积层 |
| 2.2.3 池化层 |
| 2.2.4 全连接层 |
| 2.3 图像分割技术概述 |
| 2.3.1 全卷积神经网络图像分割 |
| 2.3.2 U-Net医学图像分割 |
| 2.3.3 Mask R-CNN医学图像分割 |
| 2.4 本章小结 |
| 第三章 基于改进U-Net的医学图像器官分割算法研究 |
| 3.1 引言 |
| 3.2 U-Net网络结构 |
| 3.3 改进U-Net医学图像分割算法 |
| 3.3.1 改进U-Net卷积网络结构 |
| 3.3.2 激活函数的选取 |
| 3.4 改进U-Net医学图像分割算法实验 |
| 3.4.1 实验数据 |
| 3.4.2 评价指标 |
| 3.4.3 实验设置 |
| 3.4.4 实验结果与分析 |
| 3.5 本章小结 |
| 第四章 基于改进Mask R-CNN的医学图像器官分割算法研究 |
| 4.1 引言 |
| 4.2 改进Mask R-CNN的 MsMR-Net算法 |
| 4.2.1 改进特征提取网络 |
| 4.2.2 区域建议网络 |
| 4.2.3 改进ROI Align操作 |
| 4.2.4 改进Mask分支 |
| 4.2.5 改进损失函数 |
| 4.3特征提取网络改进实验 |
| 4.3.1 评价方法 |
| 4.3.2 实验与分析 |
| 4.4 MsMR-Net算法实验 |
| 4.4.1 评价方法 |
| 4.4.2 实验与分析 |
| 4.5 本章小结 |
| 第五章 基于ITK、VTK、QT的器官分割软件设计 |
| 5.1 引言 |
| 5.2 软件需求分析 |
| 5.3 软件总体设计 |
| 5.4 软件功能模块设计 |
| 5.4.1 系统基本操作设计 |
| 5.4.2 DICOM图像读取设计 |
| 5.4.3 调用器官分割模型与结果显示设计 |
| 5.5 本章小结 |
| 总结 |
| 参考文献 |
| 攻读硕士学位期间取得的学术成果 |
| 致谢 |
（9）核素骨扫描图像自动识别算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.3 研究意义与目的 |
| 1.4 论文主要工作概述 |
| 第二章 核医学影像的临床诊断和标注 |
| 2.1 全身骨扫描核医学影像数据 |
| 2.1.1 数据集 |
| 2.2 全身骨扫描核医学影像的临床标注 |
| 2.2.1 黄金标注 |
| 2.2.2 标注扩充 |
| 2.2.3 格式转换 |
| 2.3 本章小结 |
| 第三章 图像预处理与分割算法 |
| 3.1 预处理实现 |
| 3.1.1 预处理流程 |
| 3.2 分割算法介绍 |
| 3.2.1 传统分割算法 |
| 3.2.2 基于机器学习的分割算法 |
| 3.3 本章小结 |
| 第四章 全身骨扫描核医学影像分割 |
| 4.1 全身骨扫描图像规则区域分割 |
| 4.1.1 特征点定位 |
| 4.1.2 全身骨扫描分割边界 |
| 4.1.3 重定位 |
| 4.2 脊柱的分割 |
| 4.3 肾脏和膀胱的去除 |
| 4.4 本章小结 |
| 第五章 全身骨扫描核医学影像的热点检测 |
| 5.1 常见的热点检测算法和评价标准介绍 |
| 5.1.1 图像配准算法 |
| 5.1.2 SVM算法 |
| 5.1.3 深度学习网络 |
| 5.2 并行深度学习网络设计 |
| 5.2.1 并行深度学习网络训练 |
| 5.2.2 实验结果和分析 |
| 5.3 本章小结 |
| 第六章 总结与展望 |
| 6.1 工作总结 |
| 6.2 未来研究方向 |
| 致谢 |
| 参考文献 |
| 附录 |
| 攻读硕士期间取得的研究成果 |
（10）基于MRI图像的直肠癌辅助诊断关键技术研究（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 计算机辅助诊断系统 |
| 1.3 MRI图像的计算机辅助诊断系统研究现状 |
| 1.3.1 医学图像预处理 |
| 1.3.2 MRI医学图像检测 |
| 1.3.3 常用医学图像分割方法 |
| 1.3.4 特征选取和分类 |
| 1.4 本文的研究内容及技术路线 |
| 1.5 本论文的结构安排 |
| 第二章 直肠癌MRI图像预处理算法研究 |
| 2.1 概述 |
| 2.2 DICOM图像的读取和转换 |
| 2.2.1 DICOM医学文件结构 |
| 2.2.2 DICOM数据元素结构及像素数据的编码规则 |
| 2.2.3 基于python的 DICOM处理转换方法 |
| 2.3 腹部核磁共振图像介绍 |
| 2.4 图像预处理算法 |
| 2.4.1 基于小波变换对比度增强算法 |
| 2.4.2 局部对比度增强算法 |
| 2.4.2.1 自适应直方图均衡化 |
| 2.4.2.2 限制对比度的自适应直方图均衡化 |
| 2.4.2.3 自适应对比度增强 |
| 2.4.3 基于灰度级分组的图像对比度增强算法 |
| 2.5 本章小结 |
| 第三章 直肠区域定位及分割算法研究 |
| 3.1 概述 |
| 3.2 基于MRI图像直肠区域的定位检测 |
| 3.2.1 基于先验信息的直肠区域定位 |
| 3.2.2 基于感知哈希的直肠区域匹配 |
| 3.2.3 直肠区域定位算法的评价 |
| 3.3 基于MRI图像直肠及癌变区域分割算法 |
| 3.3.1 图像分割算法的基本理论 |
| 3.3.1.1 Otsu阈值法 |
| 3.3.1.2 区域生长法 |
| 3.3.1.3 模糊C均值聚类法 |
| 3.3.1.4 简单线性迭代聚类超像素分割 |
| 3.3.2 基于MRI T2 加权图像的直肠分割算法 |
| 3.3.3 基于DWI图像的癌变区域的分割算法 |
| 3.4 本章小结 |
| 第四章 直肠癌良恶性分类及疗效评估算法研究 |
| 4.1 概述 |
| 4.2 基于MRI图像的直肠癌良恶性诊断方法研究 |
| 4.2.1 基于Haralick纹理特征的直肠癌良恶性诊断算法 |
| 4.2.2 基于Gabor纹理特征的直肠癌良恶性诊断算法 |
| 4.2.3 基于LBP纹理特征的直肠癌良恶性诊断算法 |
| 4.2.4 基于PCA的 LBP纹理特征直肠癌良恶性诊断算法 |
| 4.2.5 基于多特征融合的直肠癌良恶性诊断算法 |
| 4.3 基于MRI图像的直肠癌疗效评估算法研究 |
| 4.3.1 医学诊疗效果分期标准 |
| 4.3.2 结合MRI T2 加权图和DWI图的直肠癌疗效评估算法 |
| 4.4 评价标准和方法 |
| 4.5 算法实验结果与分析 |
| 4.5.1 直肠癌良恶性诊断实验结果与分析 |
| 4.5.2 直肠癌疗效评估实验结果与分析 |
| 4.6 本章小结 |
| 第五章 全文总结与展望 |
| 5.1 研究工作总结 |
| 5.1.1 研究工作 |
| 5.1.2 创新点及贡献 |
| 5.2 研究展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
四、Research and Implementation of DICOM Format Conversion on Medical Images（论文参考文献）
- [1]多模态医疗图像标注系统的设计与实现[D]. 滕婧. 北京邮电大学, 2021(01)
- [2]基于复合混沌理论的医疗图像密码系统研究[D]. 刘沛栋. 西安科技大学, 2021(02)
- [3]3D打印人体可降解植入物降解速率预测方法研究[D]. 王艺衡. 西安科技大学, 2021(02)
- [4]基于海马体影像组学的AD辅诊模型的研究与实现[D]. 刘昭. 东华大学, 2021(01)
- [5]种植牙手术导航系统关键技术研究[D]. 王静怡. 电子科技大学, 2021(01)
- [6]面向深度学习的医学图像标注系统的研究与实现[D]. 陆萌. 北京邮电大学, 2020(05)
- [7]腹盆腔三维可视化系统的设计与实现[D]. 宁国玺. 山西大学, 2020(01)
- [8]基于卷积神经网络的医学图像器官分割算法研究[D]. 于明晖. 安徽大学, 2020(07)
- [9]核素骨扫描图像自动识别算法研究[D]. 蔡坤贝. 电子科技大学, 2020(07)
- [10]基于MRI图像的直肠癌辅助诊断关键技术研究[D]. 陈江华. 电子科技大学, 2020(08)