论文题目：基于层间特征学习的三维医学图像体数据分析与建模
摘要：医学图像（Medical Image）在医学研究与临床诊断、治疗中占据着重要地位。医学图像成像系统对人体内部的组织器官进行成像,协助医生对病人进行准确的诊断与治疗。自X射线于1895年被发现至今,医学图像成像技术又发展出了电子计算机扫描断层（Computerized Tomography,CT）、磁共振成像（Magnetic Resonance Imaging,MRI）等先进技术。上述技术虽然成像机理各不相同,但均在临床诊断与治疗以及医学研究中发挥着重要作用。但目前在CT图像与MRI图像的应用过程中,传统的二维显示器只能呈现二维平面信息,医生无法获得更多角度上的病灶信息。并且受成像设备以及医学试剂用量等客观因素限制,医学图像层间分辨率远小于层内分辨率,且医学图像扫描与重建的时间成本较高,限制了其应用。若通过对三维医学图像体数据中的层内平面特征与层间特征变化规律进行分析,通过提高体数据量实现对病灶的建模,在手术过程中呈现给医生更多的二维平面与层间维度上的精确信息,可以使诊断、治疗过程更加高效、准确以及可靠;也可以提高科研人员在研究过程中的信息获取程度。通过医学图像层间插值提高医学图像的层间分辨率,可以有效实现三维医学图像体数据的分析与建模。本文目的是通过研究医学图像层间插值技术,增强三维医学图像体数据信息。图像层间插值通过在图像的层间维度上增加图像数量,从而提高图像层间分辨率。目前针对图像插值有传统方法与深度学习两种方向。传统方法易于实现,可解释性强,但难以兼顾医学图像的二维平面信息与层间形变规律,插值效果并不理想。深度学习方法通常以光流为基础,或采用将图像插值与去模糊的级联处理的方案。但这些方法过于依赖于光流、输入图像以及去模糊的质量,当面临挑战时难以生成精确结果。基于以上问题,本文提出以下两种方法:（1）提出一种基于残差与层间信息融合的医学图像层间插值网络。首先,提出交错残差生成网络,在网络中使用多层次的跳跃连接降低模型对网络深度的敏感程度,构建一个较深的网络,从而更好地提取医学图像序列在二维平面上的整体特征并生成中间结果;然后构建层间信息融合模块,从输入图像中提取出有效层间特征融入中间结果,对其进行补充、丰富;最后,使用加权融合损失函数度量层间图像,以达到准确生成层间图像的目的。实验表明,此方法在多种组织数据集上均能获得更高质量的层间图像。（2）提出基于注意力机制的塔型医学图像层间插值网络。具体地,利用塔型插值模块扩大网络的图像层间接收域,提取更多图像特征。其次,利用层间结构信息融合模块,处理部分输入与塔型插值模块子输出,提高运动一致性并完成层间插值。以上两个模块使网络充分利用图像的层间形变规律与边界轮廓特征。进一步地,通过引入视觉注意力机制,达到准确生成细微组织以及纹理要素的目的。实验结果表明,本文所提方法能够准确生成层间医学图像的轮廓边界与细微组织处的像素。在公开数据集和自建数据集上的实验结果表明,本文方法均优于几种较先进的比较方法。
关键词：医学图像;层间插值;深度神经网络;层间特征融合
学科专业：计算机软件与理论
摘要
abstract
第1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 本文研究内容
1.4 本文组织结构
第2章 相关技术
2.1 深度神经网络基础
2.2 卷积神经网络
2.2.1 卷积层
2.2.2 池化层
2.2.3 激活函数
2.3 循环神经网络
2.4 本章小结
第3章 实验数据及评价指标
3.1 实验数据
3.2 评价指标
3.2.1 峰值信噪比
3.2.2 结构相似性
3.2.3 均方根误差
3.3 本章小结
第4章 基于残差与层间信息融合的医学图像层间插值网络
4.1 基于残差与层间信息融合的医学图像层间插值网络
4.1.1 整体网络构架
4.1.2 交错残差生成网络
4.1.3 层间信息融合
4.1.4 加权融合损失函数
4.2 消融实验
4.2.1 实验环境
4.2.2 激活函数
4.2.3 损失函数
4.2.4 层间信息融合模块
4.3 实验结果以及对比
4.4 本章小结
第5章 基于注意力机制的塔型医学图像层间插值网络
5.1 基于注意力机制的塔型医学图像层间插值网络
5.1.1 塔型插值模块
5.1.2 层间结构信息融合模块
5.1.3 塔型模块子网络中的注意力机制
5.2 实验结果与分析
5.2.1 实验参数
5.2.2 消融实验
5.2.3 对比实验
5.3 本章小结
第6章 总结与展望
6.1 研究总结
6.2 研究展望
参考文献
致谢