logo资料库

医学图像分割开题报告.doc

发布时间：2022-05-31 发布人：admin 分类：说明书 资料大小：0.15M 资料格式：doc 举报 版权申诉
第1页 / 共9页
第2页 / 共9页
第3页 / 共9页
第4页 / 共9页
第5页 / 共9页
第6页 / 共9页
第7页 / 共9页
第8页 / 共9页
资料共9页，剩余部分请下载后查看
    选题的理论和实践意义 世界卫生组织最新统计数据显示，心血管疾病(Cardio-vascular Diseases，CVDs)是世界上 导致人类死亡的三大疾病之一，而它的早期病症就表现为动脉粥样硬化。颈部动脉粥样硬化 是造成脑动脉血栓的一个主要原因，而颈动脉成像技术是目前识别具有中风危险病人的最重 要的工具。中风是全球最常见最严重的神经问题，大约 85%的中风是由于局部缺血，主要是 由于脑动脉形成血栓造成了脑血管的阻塞。颈部动脉粥样硬化斑块是颈部动脉粥样硬化最主 要的病理形态学改变，是引起缺血性脑血管疾病的重要原因。作为高血压、脑梗死等常见心 血管疾病的主要诱因，颈部动脉斑块可对颈动脉形成一定损伤，若未及时治疗，可能威胁患 者的生命安全。近年来，颈部动脉斑块病变的发生率逐年升高。 不同性质的颈动脉粥样硬化斑块对缺血性脑猝死的影响不同，它的形态和结构特征是识 别不稳定斑块和监测疾病发展的关键。观察颈动脉粥样硬化斑块的数目以及部位，并测量血 管壁的厚度和斑块的大小及厚度，以及斑块的成分分析，对临床诊断具有非常重要的意义。 由颈部动脉斑块硬化引发的心脑血管疾病不仅与血管腔的狭窄程度有关，还与斑块的易损性 有密切联系。不稳定（易损性高）的颈部动脉斑块容易破损并导致局部血栓和栓塞，引起中 风。易损斑块称为易血栓斑块，准确评价斑块易损性对心脑血管疾病的诊断和防治具有重要 作用。 早发现、早预防、早治疗可以有效降低心血管疾病给人类健康带来的威胁。伴随动脉斑 块学研究的快速发展与医疗技术的进步，越来越多的成像技术用于诊断心血管疾病。现代的 医学成像技术给颈部动脉斑块疾病诊断带来大量的影像资料，因此客观的处理这些资料，并 给出定量分析对心血管疾病的诊断具有重要的临床意义。图像分割是这一类处理方法中最重 要的一个。手动分割是最显而易见的分割方法，但是手动勾画内外膜轮廓是一项耗时且乏味 的工作，而且手动分割的结果也会因为勾画者的喜好和倾向而有所不同。然而国内外尚缺乏 一种权威性的半自动或自动的分割方法以准确分割颈部动脉斑块超声图像。目前还主要停留 在由医生肉眼观察颈部动脉斑块相关的医学影像、手动勾勒斑块边界进行人工分割的阶段。 因为颈部动脉斑块其本身的生理结构不规则，颈部动脉斑块的分割存在着两个比较大的 问题：一、在传统的医学方面检查中，探头的角度和方向、诊断医生的经验水平以及超声图 像的质量都会影响诊断结果；二、颈部动脉斑块的边缘信息难以界定，血管和颈部动脉斑块 的分割容易出错。并且在颈部动脉的医学影像中斑块的成分分析方面存在的问题：医生的经 验水平以及超声图像的质量都会影响成分分析。一般常用于超声图像分割的方法有阈值分 割、Snakes、 水平集、聚类等。近几十年来，活动轮廓模型也广泛被用于分割超声图像，由 于超声医学影像含有许多斑点噪声，灰度不均匀和纹理复杂等特性，使得这些传统分割方法 不能直接应用到颈部动脉超声医学影像中。近几十年来，活动轮廓模型广泛被用于分割超声 图像。 自从 2006 年深度学习的提出，至今深度学习已经成为人工智能和大数据的热潮。深度 学习通过建立类似于人脑的分层模型结构，对输入数据逐级提取从底层到高层的特征，从而 能很好的建立从底层信号到高层语义的映射关系。深度学习通过多层的网络自动的学习数据 中的图像特征，不需要人工经验来提取样本的特征，更能够刻画数据的丰富内在信息。深度 学习最早用在图像识别的领域，2012 年，Alex 在 ImageNet 比赛中通过使用卷积神经网络取 得了第一名，并且比第二名的正确率高出了十几个百分点。2015 年 Long 等人提出全卷积网 络，在图像分割领域开拓了另一种全新的思路。 综上所述，分析了对于颈部动脉斑块分割及其成分分析的必要性，颈部动脉斑块分割及 其成分分析存在的难点以及深度学习的优势，提出了基于深度学习的颈部动脉斑块分割及其 成分分析的研究课题。 1
    2、国内外研究现状及主要中外文参考文献 （1）国外研究现状： 1995 年，The Ballon 等将 Snake 在动脉斑块的分割上，在该文献中，提出了动脉斑块的 边缘轮廓的分割，由于动脉斑块的轮廓很复杂，且边缘比较模糊，甚至出现断裂等特点，动 态轮廓很难逼近凹陷边界，所以对动脉斑块的分割效果不佳，在此基础上后来的研究人员做 了一些列改进。他又提出在 snake 的基础上增加内部压力，称为 Ballon Froce，该算法虽然在 图像处理速度上有所改进，但是存在一些问题（须正确的规定 Ballon Froce 初始方向，否则 该模型不能达到真实轮廓，（2）Ballon Froce 太大，则最后的轮廓可能会越过真实轮廓大小， 则不能达到真实轮廓。 形变表面模型分割动脉斑块，它可以很好的克服斑点噪声对图像分割的影响，因此更好 的分割动脉斑块超声图像。由 Cootes 等人提出的活动形状模型（Active Shape Models，ASM） 是目前较为流行的一种统计学模型。ASM 包括一个点分布模型和一组灰度梯度分布模型。 但是这个算法的分割的结果相比于医生手动分割出来的结果要宽，同时，分割的结果很不稳 定，可重复性差。 1998 年，Cootes 等人提出了活动表观模型（Active Appearance Models，AAM）。可以看 作是 ASM 的一个延伸，它利用了图像中的所有信息，而不仅仅是由特征点组成的形状信息。 AAM 搜索目标的过程，实际上就是不断地调整模型的参数，使得目标图像与合成的模型图 像之间的差值最小，达到你和的目的。但是这个分割算法运行时间过长，且只能对样本间相 似的训练集才可以正常学习，同时对于训练集差异较大的图像无法达到正常的分割结果。 由于传统蛇模型外力场的捕获范围很小，且动态轮廓很难逼近凹陷边界，其应用受到一 定限制，所以在 1998 年 Xu 等提出了改进的 Snakes 模型，即 GVF 模型定义一个新的外力 场，GVF 模型与传统 snake 模型相比，虽然有着对初始轮廓不敏感等优势，但同样存在问题： （1）对高噪声图像易陷入局部极小值，因此，该模型虽然改善了初始轮廓的获取范围，但 是初始轮廓的选择仍被限制在靠近真实轮廓附近；（2）能在一定程度上解决深度凹陷区域问 题，但是效果并不明显；（3）弱边缘检测问题；（4）不能改变网络拓扑结构。 2006 年，Hinton 教授等在《Science》上发表的《A Fast learning algorithm for deep belief nets》 提出了深度学习。自深度学习提出至今，深度学习在医疗图像的应用也取得了良好的效果。 同时卷积神经网络在动脉斑块的分割上也取得了良好的效果。 FCM 是由 Bezdek 提出的一种模糊聚类法，广泛用于图像分割和识别中，FCM 基于在图 像特征空间进行模糊聚类，实质是一种基于目标函数的非线性迭代最优化方法。在 2009 年， Wang 首次提出 MsFCM 方法，用以分割超声图像。由原图像经多尺度滤波形成由粗到细的 多尺度图像，在多尺度图像上进行逐步的聚类分割，提高分割精度。MsFCM 不仅拥有 FCM 简单、高效、易实现的优点，而且在保留大尺度图像结构信息的同时兼顾了小尺度图像的细 节信息，因此提高了图像的分割效果。MsFCM 的主要思想是：利用各项异性扩散（anisotropic diffusion，AD）滤波方法构建一组由粗到细的多尺度图像，在多尺度图像上逐步最小化目标 函数，求出图像中各像素点的隶属度值，并根据隶属度值对各点进行划分归类，实现图像分 割。 （2）国内研究现状： 在 2010 年，由吴学咏等人提出改进 GVF-测地线模型进行颈动脉分割方法，这种算法考 虑到超声图像一般含有大量的噪声，首先使用加权均值空间平滑滤波器对图像进行预处理， 进行去噪，然后进一步改善初始轮廓的取值范围，但是初始轮廓的选取应尽可能接近目标的 边缘，以确保各种实验方法得到的结果的精确性。 2016 年，孙夏等人在从卷积神经网络层数、卷积核的大小，特征维数等方面对识别效果 的影响，优化网络参数，构建一个适用于颈部动脉斑块识别的卷积神经网络。在该方法中作 者构造了一个包含卷积层、修正线性单元（ReLU）以及池化层的网络从训练集中去学习特 征，最后连接一个全连接层做分类，得到了卷积神经网络时可行的，并且对颈部动脉斑块有 较好的识别效果。在 2017 年时，赵援等人分析讨论了不同感兴趣区域（Region of Interest， ROI）选取方式对卷积神经网络识别斑块性能的影响，并通过迁移学习来训练卷积神经网络。 2
    实验结果表明，采用分割出血管内外膜的 ROI 作为训练集时，网络的识别能力最好，受试 者操作特性（Receiver Operating Characteristic，ROC）曲线下面积为 0.972。另外，用分割 出血管内外膜的 ROI 对网络进行预训练，之后再用原始 ROI 进行微调，也可以有效提高 卷积神经网络对原始 ROI 的识别能力，ROC 曲线下面积从 0.802 提高至 0.856。 2018 年，黄志杰等人作了对心血管动脉粥样硬化斑块组织自动定征的研究。首先，确定 滑动邻域块的尺寸，令其中心像素遍历斑块区域，遍历过程中计算每个滑动邻域块的灰度均 值和熵，并沿４个方向运用灰度共生矩阵法求出共生矩阵的 10 局部特征；然后，对 IVUS 图像进行 Gabor 滤波和局部二值模式(LBP)处理，获得了更多的图像纹理特征；最后，通过 线性分类器 Liblinear、随机森林分类器和调和最小值Ｇ广义学习向量量化分类器对降维后的 特征数据进行分类判决。将医生人工标记的结果作为金标准,自动定征的实验结果表明,随机 森林和分类器总体上对斑块组织的识别准确率均达到 80%以上。 2018 年，吴宇鹏等人采用 U-Net、DenseNet 和 ResNet 三种网络,对血管中内膜感兴趣区 域实施分割。然后,再分别对脂质、纤维、钙化三类斑块建立深度学习模型,经过训练后对独 立测试集进行测试。实验结果表明,对血管中内膜区域分割最优模型是 ResNet，Dice 系数达 0.8505。结果表明，本文建立的斑块识别和评估模型，对临床具有重要的参考价值。 中外文参考文献： [1] 张 涛 , 周 华 东 . 颈 动 脉 粥 样 硬 化 斑 块 的 临 床 研 究 进 展 [J]. 重 庆 医 学 , 2007, 36(24): 2568-2570. [2] 肖萍. 浅谈彩色多普勒超声检查在诊断颈动脉斑块危险性方面的价值[J]. 当代医药论丛, 2015, (6): 55-56. [3] 王小飞, 王佩显. 血管内超声评价冠状动脉粥样硬化[J]. 中国心血管杂志, 2008, 13(3): 217-219. [4] 吕斌. 如何对待颈动脉粥样硬化斑块[J]. 开卷有益-求医问药, 2018, (1): 49-49. [5] 邢锦, 何文. 超声造影在颈动脉粥样硬化斑块诊断中的应用[J]. 临床超声医学杂志, 2010, 12(2): 111-113. [6] Goldstein L B, Hasselblad V, Matchar D B, et al. Comparison and meta‐analysis of randomized trials of endarterectomy for symptomatic carotid artery stenosis[J]. Neurology, 1995, 45(11): 1965-1970. [7] Ii R W H, Mackey W C, Ascher E, et al. Management of atherosclerotic carotid artery disease: Clinical practice guidelines of the Society for Vascular Surgery[J]. Journal of Vascular Surgery, 2008, 48(2): 480-486. [8] 姬智艳, 王晓白. 颈动脉粥样硬化斑块的比较影像学[J]. 实用放射学杂志, 2008, 24(12): 1707-1709. [9] Finn A V, Nakano M, Narula J, et al. Concept of vulnerable/unstable plaque[J]. Arterioscler Thromb Vasc Biol, 2010, 30(7): 1282-1292. [10] Dstaub, Spartovi, Aflschinkel, et al. Correlation of carotid artery atherosclerotic lesion echogenicity and severity at standard US with intraplaque neovascularization detected at contrast-enhanced US[J]. Radiology, 2011, 258(2): 618-626. [11] Shelhamer E, Long J, Darrell T. Fully Convolutional Networks for Semantic Segmentation[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 2014, 39(4): 640-651. [12] Ohtsu N. A Threshold Selection Method from Gray-Level Histograms[J]. IEEE Transactions on Systems Man and Cybernetics, 1979, 9(1): 62-66. [13] Zhu X, Zhang P, Shao J, et al. A snake-based method for segmentation of intravascular ultrasound images and its in vivo validation[J]. Ultrasonics, 2011, 51(2): 181-189. [14] Leventon M E, Grimson W E L, Faugeras O, et al. Statistical Shape Influence in Geodesic Active Contours[C]. IEEE Embs International Summer School on Biomedical Imaging, 2003: 8 pp. 3
    ., et al. Texture-based classification of [15] Beevi S Z, Sathik M M, Senthamaraikannan K. A Robust Fuzzy Clustering Technique with Spatial Neighborhood Information for Effective Medical Image Segmentation[J]. International Journal of Computer Science & Information Security, 2010, 7(3): 1-8. [16] Kissi A, Cormier S, Pourcelot L, et al. Contrast enhanced ultrasound image segmentation based on fuzzy competitive clustering and anisotropic diffusion[C]. International Conference of the IEEE Engineering in Medicine & Biology Society, 2004. [17] Molinari F, Liboni W, Pavanelli E, et al. Accurate and automatic carotid plaque characterization in contrast enhanced 2-d ultrasound images[C]. Engineering in Medicine and Biology Society, 2007. Embs 2007. International Conference of the IEEE, 2007: 335-338. [18] 钱华明, 姜波, 钱明, et al. 结合时域信息的区域生长算法及其在动脉超声造影图像分割 中的应用[J]. 计算机辅助设计与图形学学报, 2011, 23(3): 442-447. [19] Assaf H, Dan A, Aaron H, et al. Carotid plaque vulnerability: quantification of neovascularization on contrast-enhanced ultrasound with histopathologic correlation[J]. Ajr Am J Roentgenol, 2011, 196(2): 431-436. [20] Kyriacou E C, Constantinos P, Marios P, et al. A review of noninvasive ultrasound image processing methods in the analysis of carotid plaque morphology for the assessment of stroke risk[J]. IEEE Transactions on Information Technology in Biomedicine, 2010, 14(4): 1027-1038. [21] Christodoulou C I, Pattichis C S, Pantziaris M, atherosclerotic carotid plaques[J]. Medical Imaging IEEE Transactions on, 2003, 22(7): 902-912. [22] 刘健庄. 基于二维直方图的图象模糊聚类分割方法[J]. 电子学报, 1992, (9): 40-46. [23] Songcan C, Daoqiang Z. Robust image segmentation using FCM with spatial constraints based on new kernel-induced distance measure[J]. IEEE Transactions on Systems Man & Cybernetics Part B Cybernetics A Publication of the IEEE Systems Man & Cybernetics Society, 2004, 34(4): 1907. [24] 梁旭东, 武妍. 基于邻域特征与聚类的图像分割方法[J]. 计算机工程, 2011, 37(3): 201-203. [25] Perona P, Malik J. Scale-space and edge detection using anisotropic diffusion[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 2002, 12(7): 629-639. [26] 薛冰, 高春庚, 宋书中, et al. 基于改进 Snake 模型的超声图像分割[J]. 河南科技大学学 报(自然科学版), 2010, 31(2): 54-57. [27] Xu C, ., Prince J L. Snakes, shapes, and gradient vector flow[J]. IEEE Trans Image Process, 1998, 7(3): 359-369. [28] Hinton G E, Osindero S, Teh Y W. A Fast Learning Algorithm for Deep Belief Nets[J]. Neural Computation, 2014, 18(7): 1527-1554. [29] Saa S, Tang T B, Faye I, et al. Blood vessel segmentation in color fundus images based on regional and Hessian features[J]. Graefe"s Archive for Clinical and Experimental Ophthalmology, 2017. [30] 孙夏, 吴蔚, 吴鹏, et al. 基于卷积神经网络的颈动脉斑块超声图像特征识别[J]. 中国医 疗器械信息, 2016, 22(9): 4-8. [31] 赵媛, 孙夏, Fenster A, et al. 一种基于深度学习的颈动脉斑块超声图像识别方法[J]. 中 国医疗器械信息, 2017, 23(9): 9-11. [32] Cootes T F, Twining C J, Babalola K O, et al. Diffeomorphic statistical shape models[J]. Image & Vision Computing, 2008, 26(3): 326-33215. [33] Cootes T F, Taylor C J, Cooper D H, et al. Active Shape Models-Their Training and Application[J]. Computer Vision & Image Understanding, 1995, 61(1): 38-59. [34] Cootes T F, Edwards G J, Taylor C J. Active Appearance Models[J]. Pattern Analysis & Machine Intelligence IEEE Transactions on, 2001, 23(6): 681-685. [35] 黄志杰, 王伊侬, 王青. 基于血管内超声图像的心血管动脉粥样硬化斑块组织自动定征 4
    的研究[J]. 计算机科学, 2018, 45(5): 260-265. [36] 吴宇鹏. 基于深度学习网络的血管内超声影像斑块识别与评估方法研究[D]. 华南理工 大学, 2018. 3、主要研究内容 本文使用的分割方法是基于神经网络的分割方法，主要研究的内容是超声图像的颈部动 脉斑块分割、颈部动脉斑块硬斑和软斑的分割即颈部动脉斑块的成分分析。 其中颈部动脉斑块的分割的研究是运用原始图片和运用图像知识处理后的标签图进行 神经网络的训练，定位感兴趣区域，得到训练模型，对输入的超声图像数据进行预测颈部动 脉斑块和血管壁。 而在颈部动脉斑块的成分分析的研究中，需要运用的是超声图像的原始图像和文件转换 后的图片文件进行深度神经网络的训练得到模型，对输入的超声图像数据进行预测颈部动脉 斑块中的硬斑和软斑，用不同的颜色进行标注出来方便医生对病人的病情进行更具体的分 析。 4、技术方案 1.数据集的准备 颈部动脉斑块的数据集：与四川省人民医院达成合作关系，由四川省人民医院提供原始 数据，原始数据中包含数十个病人的颈部动脉斑块病例数据集，同时医院也提供一系列对应 的 nii 文件（nii 文件是通过医学标注软件 ITK-SNAP 标注转换得到的文件），nii 文件包含着 四川省人民医院的医生专家们标注好的颈部动脉斑块轮廓。在完成颈部动脉斑块分割的时 候，需要的是将 nii 文件格式转换成所需要的图片信息格式，并将图片文件通过基本的图像 算法转换成黑白图片，在颈部动脉斑块的成分分析的研究时，需要的是将 nii 文件格式转换 成所需要的图片信息格式，这里是多种颜色的多标签文件。这里转换时需要注意的是，将给 出的原始图片和标签图片裁剪到所需要的图片文件对应的大小。 2.主要的研究步骤包括： 由于颈部动脉斑块分割和颈部动脉斑块的成分分析所需要的标签文件的处理方式不同， 所以颈部动脉斑块分割和颈部动脉斑块的成分分析是通过构建不同的卷积神经网络来分割 的。整个处理过程大体相似，方法不同。 图 1: 颈部动脉斑块分割的框架 图 2: 颈部动脉斑块的成分分析的框架 1）扩大数据集。训练卷积神经网络需要大量的数据，而医院提供的带标签的数据是非 常有限的，为了能使得最后训练的准确率高所以在训练之前需要人为的扩大数据集。采用的 技术是，基于主成分分析的旋转、平移、改变像素强度等。 2）图片预处理的目的是将原始的图像质量进行增强操作，即将标签文件进行二值化操 作后，通过单个像素点的操作消除标签噪声。 3）颈部动脉斑块和血管壁的定位。因为医院提供的数据图片大小很大，在这里通过图 片的裁剪和缩放得到的图片大小是 450*450，其中不仅包含了颈部动脉斑块和血管壁（ROI 区域）还包括一些人体的其他组织。为了减少下一步的计算量，那么只需要的包含有 ROI 5
    区域大小的图片，所以在心室定位这一步，需要裁剪出只包含颈部动脉斑块和血管壁 100*100 的图片。 4）颈部动脉斑块和血管壁的分割。在构建一个包含装置卷积的全卷积网络，将上一步 得到的图片进行训练。通过与标签数据的对比，实现对每个像素点的分类，从而得到分割结 果。左心室的分割：构建一个全卷积网络，得到粗糙的一个分割结果，然后在 U-Net 网络（FCN 的一种）的基础上使用全连接条件随机场细化分割结果。 5）颈部动脉斑块的成分分析：在颈部动脉斑块的成分分析中，硬斑、软斑和血管壁需 要用不同的颜色进行标注。然而，硬斑和软斑的分割效果对精度有一个比较高的要求，其结 果才能对医生分析病人病情有所帮助，所以颈部动脉斑块的成分分析难度大于颈部动脉斑块 和血管壁的分割。在颈部动脉斑块的成分分析中的神经网络中需要修改神经网络的卷积核和 神经网络的网络结构，或者是结合其他网络结构的优点，修改损失函数等等达到预期的效果。 5、研究中可能遇到的问题、困难及解决的办法、措施 问题 1、数据集的不足 因为训练卷积神经网络需要大量的带标签的数据，数据的不足就很有可能造成训练的结 果准确率低。针对该问题，在第一步数据的预处理的时候就人为的扩大数据集。同时也采用 迁移学习，通过迁移学习可以先训练出一个源模型，然后选取源模型其中一些层的参数作为 目标模型的一些参数，目标模型剩下的参数可以通过带标签的数据进行有监督的微调得到。 问题 2、过拟合问题 过拟合换句话而言就是学习过度。对于机器来说，在使用学习算法学习数据的特征的时 候，样本数据的特征可以分为局部特征和全局特征，全局特征就是要学习的那个概念所对应 的任何数据都具备的特征，而局部特征则是用来训练机器的样本里的数据专有的特征.在机器 学习的过程中，是无法识别局部特征和全局特征的。在学习完成之后不仅学习到全局特征同 时也有可能学到了局部特征，如果学习到过多的局部特征那么会造成最后的准确率非常低。 为了防止过拟合，有以下解决方法：a.扩大数据集：过拟合的本质原因是因为学习多度 造成的，所以扩大数据集是防止过拟合的方法之一;b.正则化：在代价函数后面加上 L1 或者 L2 规则项；c. Dropout 技术：该技术是通过修改卷积神经网络本身来防止过拟合，它在学习 过程随机让其中一些神经元不工作；d.交叉验证：由于有标签的数据本身是很昂贵的，所以 扩大数据集这一方法是比较困难的。在一定数据下，可以通过交叉验证来提高模型的泛化能 力。 6、特色创新和实践意义 特色创新：自 2015 年。U-NET 网络被提出后，很多有关于超声图像方面的分割和分析 可以用卷积神经网络来实现，但是针对颈部动脉斑块的分割及其成分分析来说，U-NET 网络 的分割结果不够精细，我们在分割时同时修改 U-NET 网络结构，适当减少下采样层和上采 样层。由于颈部动脉斑块的成分分析的难度大于颈部动脉分割，在做成分分析的实验时，我 们在以 U-NET 网络作为基线分割动脉斑块后引入 DenseNet 和 ResNet 网络完成对颈部动脉 斑块的成分分析实验，这样能够大大减少网络的深度和参数。 实践意义：卷积神经网络在语音识别和图像处理领域有着独特的优越性，在超声图像处 理中也有着广泛的应用。在整个自动分割的过程中也没有任何的人为干预，不仅减少了人工 成本，在一定程度上，其分割结果也比手工分割的结果更加精确。卷积神经网络在这里也有 定量分析的操作，可以大大提高临床诊断的准确性，无疑对提高医学影像数据的利用价值具 有深远的意义。 6
    7、预期成果 1、完成对颈部动脉斑块的分割，使分割效果以及分割的效率都有所提升，在完成颈部 动脉的成分分析上使分割结果更加精确，使分割效果和分析结果适用于医学领域。 2、完成毕业论文的撰写。 8、所需条件和完成时间 所需条件： （1）带 GPU 的 PC 机一台 （2）开发平台：windows10 （3）开发框架：开源的 Tensorflow （4）深度学习、图像处理、Python、Tensorflow 开发等方面的书籍以及论文 完成时间： 2019.01---2019.04 收集相关的学习资料，同时学习 Python、Tensorflow 的开发知识。 2019.04---2019.05 完成对实验平台的搭建，熟悉 Tensorflow 的使用，同时能编写代码进 行测试。 2019.05---2019.09 完成实验，能分割出颈部动脉斑块且完成动脉斑块的成分分析的实 验 2019.09---2019.12 进一步优化分割的效果 2019.12---2020.02 撰写毕业论文 校内导师对开题报告的评语 1、选题依据及意义 2、研究重点解决的问题，独创或新颖处，预期结果或成果 优（ ）良（ ）中（ ）差（ ） 优（ ）良（ ）中（ ）差（ ） 3、拟采取技术路线、研究方法、步骤可行性 优（ ）良（ ）中（ ）差（ ） 4、研究工作总体安排进度可行性 5、研究可能遇到的困难、问题分析及提出解决措施情况 优（ ）良（ ）中（ ）差（ ） 优（ ）良（ ）中（ ）差（ ） 6、现有研究条件及知识储备情况 优（ ）良（ ）中（ ）差（ ） 7、其他评语： 导师签名： 年 月 日 7
    校外导师对开题报告的评语 1、选题依据及意义 2、研究重点解决的问题，独创或新颖处，预期结果或成果 优（ ）良（ ）中（ ）差（ ） 优（ ）良（ ）中（ ）差（ ） 3、拟采取技术路线、研究方法、步骤可行性 优（ ）良（ ）中（ ）差（ ） 4、研究工作总体安排进度可行性 5、研究可能遇到的困难、问题分析及提出解决措施情况 优（ ）良（ ）中（ ）差（ ） 优（ ）良（ ）中（ ）差（ ） 6、现有研究条件及知识储备情况 优（ ）良（ ）中（ ）差（ ） 7、其他评语： 导师签名： 月 年 日 开题报告审查小组成员组成情况 从事专业 本人签名 组成 姓名 组长 刘胤田 职称 教授 所在单位 软件工程学院 彭辉 副教授 软件工程学院 郑皎凌 副教授 软件工程学院 组员 秘书 王邦平 讲师 软件工程学院 开题报告审查小组意见 （主要对开题报告选题、论据，研究内容、方案及方法等作出评价） 开题报告评议结果（通过或不通过）： 组长签名： 年 月 日 8
    分享到：
    赞 收藏

    相关推荐

    资料库

    人工智能

    共收录2047份资料，累计62个分类，关注成员有19位，主要包括：GNSS,Pico-SIM868-GSM,GPRS,NB-IoT,GPRSHAT,SIM7070GCat-M,GNSSHAT,GSM,NB-IoTHAT,SIM7080GCat-M,R800CGSM,SIM800CGSM,UPSPowerModule(B),UPSPowerModule,Pico-SIM7020C-NB-IoT,SIM7028NB-IoTHAT,SIM7020CNB-IoTHAT,SIM7000XNB-IoTHAT,A7670CCat-1HAT,A7600C1Cat-1,SIM7600X4G&LTECat-1HAT,SIM7600X4GDONGLE用户手册,RM520N-GL5GHAT,RM500Q-GL5GHAT,RM500U-CN5GHAT,SIM820X-M25GforJetsonNano,AudioCardforJetsonNano,SIM7600G-H4GforJetsonNano,OpenNCC-Lite-4G8M,IMX219-77Camera,13.3inche-PaperHAT,10.3inche-PaperHAT(D),10.3inche-PaperHAT,9.7inche-PaperHAT,7.8inche-PaperHAT,6inchHDTouche-PaperHAT,6inchHDe-PaperHAT,6inche-PaperHAT,5.83inche-PaperHAT(C),LCD-Clock-A,0.95inchRGBOLED(A),0.96inchRGBOLEDModule,0.96inchOLEDModule,0.96inchOLED(A),1.27inchRGBOLEDModule,1.3inchOLEDModule(C),1.3inchOLED(A),1.32inchOLEDModule,1.5inchRGBOLEDModule,1.5inchOLEDModule,JETSONORINNX,自然语言处理,搜索引擎,VR,计算广告,深度学习,机器学习

    热门标签

    GNSS Pico-SIM868-GSM GPRS NB-IoT GPRSHAT SIM7070GCat-M GNSSHAT GSM NB-IoTHAT SIM7080GCat-M R800CGSM SIM800CGSM UPSPowerModule(B) UPSPowerModule Pico-SIM7020C-NB-IoT SIM7028NB-IoTHAT SIM7020CNB-IoTHAT SIM7000XNB-IoTHAT A7670CCat-1HAT A7600C1Cat-1 SIM7600X4G&LTECat-1HAT SIM7600X4GDONGLE用户手册 RM520N-GL5GHAT RM500Q-GL5GHAT RM500U-CN5GHAT SIM820X-M25GforJetsonNano AudioCardforJetsonNano SIM7600G-H4GforJetsonNano OpenNCC-Lite-4G8M IMX219-77Camera 13.3inche-PaperHAT 10.3inche-PaperHAT(D) 10.3inche-PaperHAT 9.7inche-PaperHAT 7.8inche-PaperHAT 6inchHDTouche-PaperHAT 6inchHDe-PaperHAT 6inche-PaperHAT 5.83inche-PaperHAT(C) LCD-Clock-A 0.95inchRGBOLED(A) 0.96inchRGBOLEDModule 0.96inchOLEDModule 0.96inchOLED(A) 1.27inchRGBOLEDModule 1.3inchOLEDModule(C) 1.3inchOLED(A) 1.32inchOLEDModule 1.5inchRGBOLEDModule 1.5inchOLEDModule JETSONORINNX 自然语言处理 搜索引擎 VR 计算广告 深度学习 机器学习

    最新资料