2025【基于U-Net神经网络对颈动脉血管CT图像分析和颈动脉斑块标注功能的实现9700字】.docx

PAGE

PAGE1

基于U-Net神经网络对颈动脉血管CT图像分析和颈动脉斑块标注功能的实现

摘要

中风是一种面致死率较高的疾病，而中风的发生发展和颈动脉的斑块有着密切的联系。因为体检和就诊而需要做计算机断层扫描颈动脉的人数也在不断增加。造影获得的医学影像的处理迫往往比较费时费力，为了节约宝贵的时间所以需要一种代替传统人力手工处理的更快速高效的方式。医院里那些排队焦急等待的患者及其家属，往往上午拍片之后要到下午甚至第二天才能拿到片子的分析结果，这严重影响了患者的就诊流程，让患者的接诊流程中痛苦等待白白浪费时间，甚至可能会因此耽误病情。想要直接通过增加人力来提高出片的速度是不太现实的，所以才需要这样一种基于神经网络的图像处理技术来帮助更快速的分析出片，力求实现把这些包括了就诊者身体状况的影像资料可以在更短的时间内送送到医生和就诊者的手里。

本篇论文以颈部动脉血管为研究对象，使用U-Net神经网络实现了对颈动脉血管CT图像的分析和颈动脉斑块标注的自动化处理。利用了200个样本进行了深度学习和对神经网络训练成果的验证，对处理结果进行了MIoU评估，其准确度达到了86.8%。这足说明利用U-Net神经网络进行颈动脉斑块标注是行之有效的办法。

关键词：U-Net神经网络；中风：深度学习；颈动脉斑块标注

目录

TOC\o1-3\h\u12035第1章绪论 1

75131.1课题研究的背景及意义 1

317041.1.1医学影像简介 1

40621.1.2研究背景及其意义 1

193031.2国内外研究现状 2

267311.3本文研究内容 3

23493第2章U-Net算法原理和构架 3

136242.1全卷积神经网络 3

57072.1.1全卷积神经网络的简介 3

212442.1.2全卷积网络框架 4

175602.1.3全卷积网络的反卷积层 4

251922.1.4全卷积网络的优势和缺陷 5

133082.2U-Net的网络架构 6

300522.2.1U-Net的网络构架 6

105462.2.2valid卷积 7

57392.2.3overlap-tile策略 8

89042.2.4损失函数： 8

306652.2.5训练集扩充 9

26603第3章实验设计 10

291223.1实验数据 10

149453.2训练数据扩展 10

107903.3输出测试结果 10

34573.4对输出测试结果的监测评估 11

155863.5实施细节 13

4847第4章总结和展望 13

327504.1研究工作总结 13

291614.2研究展望 13

29567参考文献： 15

第1章绪论

1.1课题研究的背景及意义

1.1.1医学影像简介

医学影像指的是对人体或人体特定部位以非侵入方式为了医疗或医学研究取得内部组织影像的技术与处理过程。它包含两个相对独立的研究方向：医学成像系统（medicalimagingsystem）和医学图像处理（medicalimageprocessing）。[1]前者的主要研究方向是获取图像的过程，包括对成像原理、成像设备、成像系统分析的理论和实践研究等等；后侧重于对已经获得的图像进行二次处理，比如修复不够清晰的图像，对图像进行特定指标的分类，对图像中的某些信息进行标注处理等等。[2]

1.1.2研究背景及其意义

伴随着人们健康意识和人均预期寿命的增长，定期体检依然是21世纪的流行趋势。得益于不断更新迭代的各种分析器材医生可以更加清晰全面的去了解患者的身体状况，但是随之而来的就是海量的需要处理的数据和医学影像。单纯数据的处理较为简单，但图像的处理要更为复杂有些直接获得的图像不够清晰需要修复，有些则是图片中的对比度太低或者是过于复杂不便于直接使用肉眼观察需要突出其中的某些信息，或者是对图像分类等。在本世纪之前，受限于医疗设备和计算机技术的瓶颈，并没有足够的条件大量应用计算机助处理医学影像只能依赖于人工，或者是干脆不处理而直接给医生观看原始图像。但是随着人口的增加、会诊压力的增大，如今已经迫切需要一种代替人工的更快速更准确的医学影像处理办法。得益于通用计算机和人工智能的相关技术发展，距离实现这个更快更准的目标已经越来越近了。其中最重要的两个因素就是计算机的应用成本大大降低，可以用来训练AI的图像资料已经有了相当多的存量并且使得AI处理的速度和精度已经有了实用价值。本篇论文旨在提供一种更加快速准确的