前庭医学发展论文提纲

论文题目：基于深度学习的人耳CT影像智能化分析处理技术研究

摘要：医学影像的智能化处理与分析旨在利用智能化的技术手段对医学影像进行自动分析处理,为临床医护人员提供参考和帮助,减少医生因经验不足、工作繁重等因素而导致的漏诊、误诊问题的发生,提高医生的工作效率。近年来,随着以深度学习为代表的人工智能技术迅速发展,医学影像的识别速度和准确度都实现了很大提升,深度学习技术已在皮肤、大脑、胸腹部器官等医学影像的自动分析中有了初步的落地应用,医学影像的智能化处理与分析已成为智慧医疗领域最受关注、发展最快的方向之一。耳部器官是人体头颈的重要组成部分,在感受听觉与协助身体维持平衡有重要作用,耳部健康是影响人们生活质量的重要因素。影像学是现代耳部疾病诊疗技术的重要手段。相较于其他医学影像,耳部结构复杂而精密,成像区域极小,个体差异较大,并且样本数据的匮乏,这都给开展耳部的智能化处理与分析带来了诸多挑战。本文面向首都医科大学附属北京友谊医院放射科对耳部CT影像自动化处理与分析的实际临床需求,以深度学习作为主要技术手段,开展了基于CT影像的人耳智能化处理分析技术研究。本文的研究内容主要包含以下三个部分:⑴提出了一种面向CT容积影像的人耳图谱构建框架。在临床诊断、治疗和科研中,创建图谱是医学影像量化分析最重要的步骤之一。然而对于极其细小精密的人耳解剖结构,目前尚没有基于影像容积数据的图谱研究。本文首先对采集的颞骨CT影像进行规范化多平面重建,然后从轴位、冠状位、矢状位三个维度上对耳部的锤骨、砧骨、镫骨、耳蜗、前庭、前半规管、外半规管、后半规管、内听道、颈静脉球窝10个关键结构进行体素级标注,最后通过描述性统计分析了耳部关键结构的容积与空间数据,建立了64例正常人颞骨CT影像的3D耳图谱。本文创建的图谱将为耳科影像学临床研究提供支撑和参考,为耳部CT影像的智能化处理与分析提供解剖结构先验知识指导。⑵设计并实现了一种基于多维度特征融合的前庭分割网络。针对前庭成像区域极小,个体间相对空间位置变化剧烈等特点,提出了一种前庭器官的分割方法:提出了三种特征融合策略,分别是面向不同感受野的卷积特征融合、基于注意力机制的特征通道融合和编码器-解码器的特征融合。基于三种特征融合策略,实现了前庭的准确分割,达到了88.71%的分割准确度,远远超过现有的先进方法。⑶提出了一种基于迁移学习的前庭畸形识别方法。通过对比两种迁移学习策略对识别性能的影响,将前庭分割网络的先验知识成功迁移到前庭畸形识别网络中。迁移学习策略包括:一是基于预训练模型的迁移学习策略,通过训练好的模型进行前庭畸形识别网络的参数初始化;二是基于分割特征的迁移学习策略,分别实验了不同分割特征迁移对识别性能的影响。实验结果表明,运用预训练模型微调的网络识别性能高于没有微调的网络识别性能,基于分割特征迁移的策略相比预训练模型的迁移策略可以获得更好的识别性能。

关键词：人耳CT影像;深度学习;人耳图谱;前庭分割;前庭畸形识别

学科专业：计算机技术（专业学位）

摘要

Abstract

第1章 绪论

1.1 研究背景

1.2 研究意义

1.3 论文的研究内容

1.4 论文的结构安排

第2章 医学影像智能化处理分析技术研究进展

2.1 引言

2.2 医学影像图谱的研究进展

2.2.1 大脑图谱

2.2.2 耳部解剖图谱

2.3 医学影像分割技术研究进展

2.3.1 传统分割方法

2.3.2 FCN分割网络

2.3.3 基于编码器-解码器结构的图像分割网络

2.3.4 Deeplab系列分割网络

2.4 医学影像智能化分析技术研究进展

2.4.1 传统分析方法

2.4.2 基于深度学习的医学影像智能化分析

2.4.3 几种常用的深度神经网络

2.5 本章小结

第3章 基于CT影像的3D正常人耳图谱创建

3.1 引言

3.2 正常人耳CT影像样本数据的采集

3.3 人耳CT影像的规范化多平面重建

3.4 耳部关键结构的体素级标注

3.5 耳部关键结构的描述性统计分析

3.5.1 容积数据统计分析

3.5.2 空间数据统计分析

3.6 基于统计分析结果的3D正常人耳图谱创建

3.7 本章小结

第4章 基于多维度深度特征融合的前庭结构分割

4.1 引言

4.2 多维度深度特征融合网络的架构设计

4.3 深度特征融合策略

4.3.1 面向不同感受野的卷积特征融合

4.3.2 基于注意力机制的特征通道融合

4.3.3 编码器-解码器的特征融合

4.4 实验结果与分析

4.4.1 数据集与分割结果评价指标

4.4.2 数据样本扩充对分割性能的影响

4.4.3 不同的深度特征融合策略对分割性能的影响

4.4.4 网络训练及后处理操作

4.4.5 本文方法与其它方法的比较

4.5 本章小结

第5章 基于深度分割特征迁移学习的前庭畸形识别

5.1 引言

5.2 基于深度分割特征迁移学习的前庭畸形识别整体框架

5.3 基于预训练模型的迁移学习

5.4 基于深度分割特征的迁移学习

5.5 实验结果与分析

5.5.1 数据集与性能评价指标

5.5.2 预训练模型对识别性能的影响

5.5.3 深度分割特征迁移对识别性能的影响

5.5.4 本文方法中两种迁移学习策略的比较

5.6 本章小结

结论与展望

参考文献

致谢