基于深度学习的医学图像分割算法研究开题报告

全文总字数：6705字

1. 研究目的与意义（文献综述）

目的和意义: 医学图像的分割是决定医学影像在临床诊疗中是否能够提供可靠依据的关键问题。医学图像的发展不仅影响到医学图像处理中其他技术的发展，例如可视化，三维重建等，而且在生物医学图像的分析中也占有及其重要的作用。随着医学影像学设备的快速发展和普及，成像技术包括核磁共振（magnetic resonanceimaging, mri），计算机断层扫描(computerized tomography, ct)，超声，正电子发射断层扫描(positron emissiontomography, pet)等，为深度学习在医学领域的发展提供了信息来源和数据集的基础，而深度学习展现出的强大的应用能力，在某些视听识别任务中的表现甚至超越了人类，开始逐渐成为研究者们在医学影像领域里的重要工具。根据深度学习展现出来的巨大的潜力，将其应用于医学图像的分割领域，能够更加精确且快速地将影像中含有特殊含义地部分分割出来，并提取相关的特征，为临床诊疗和病理研究提供可靠的依据。

深度学习目前在图像分割领域最常见的模型就是卷积神经网络(convolutional neural networks,cnn)，这是一个全局可训练的人工神经网络模型，可以经过少量的预处理，从原始数据中学习到抽象的、本质的、深层的特征^[16]。继卷积神经网络自从在手写体识别领域取得巨大的突破之后^[17]，cnn网络在imagenet比赛中的杰出表现^[18]表明其在图像特征提取，图像分类等图像处理领域拥有巨大的潜能，目前cnn网络已经广泛应用于医学图像分割中。wu xundong等人^[19]提出了基于迭代的卷积神经网络的细胞膜分割方法，通过在细胞膜检测概率图上迭代使用卷积神经网络算法，细胞膜分割精度有了一定的提升；曹贵宝^[20]等人提出了用卷积神经网络和随机森林分类器相结合的方法实现了对神经细胞图像的分割，用随机森林分类器代替了soft-max分类器；su hai等人^[21]提出了一种快速扫描卷积神经网络的办法，用于乳腺磁共振图像的分割，与传统卷积神经网络的结构不同，该文献在卷积层采用卷积核去卷积整张图像或者上一卷积层提取到的特征图，并重新排列最大池化层，从而减冗余计算，该文献突出的基于快速扫描卷积神经网络的分割方法大大提高了图像的分割速度，并保证了分割精度的不变，对乳腺癌实时诊断提出了技术的支持。

2. 研究的基本内容与方案

研究的基本内容:本设计将着重于将深度学习算法与医学图像的分割结合，借助于机器对于样本数据的学习，能训练出一个完整的模型，根据医学图像的灰度，彩色，空间纹理，几何形状把图像分为若干个互不相交的区域，使得这些特征在同一区域表现出一致性或者相似性，而在不同区域表现出明显的不同，从而将我们感兴趣的目标区域分离出来，在临床医疗诊断当中为对组织体积定量分析，诊断，病变组织定位，解剖结构，制定治疗计划，功能成像以及数据局部身体效应矫正，引导计算机手术等方面提供重要工具

目标: 利用tensorflow神经网络训练框架，训练出一个基于u-net的改进神经网络，对isbi提供的医学图像数据集进行图像分割，并能够保证训练出的神经网络能在一定小概率误差之下正确的分割出医学图像中的特定目标。

3. 研究计划与安排

第1周—第3周搜集资料，撰写开题报告

第4周—第5周论文开题

4. 参考文献（12篇以上）

[1] chen h, qi x, yu l, heng pa:dcan: deep contour-aware networks for accurate gland segmentation. in:proceedings of the ieee conference on computer vision and patternrecognition,2016, pp 2487–2496

[2] zhang h, dana k, shi j,etal.contextencoding for semantic segmentation[c]//proceedings of the ieee conference oncomputer vision and pattern recognition. 2018: 7151-7160.