(3.237.178.91) 您好!臺灣時間:2021/03/07 13:40
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果

詳目顯示:::

我願授權國圖
: 
twitterline
研究生:許媛瑜
研究生(外文):SHIU,YUAN-TU
論文名稱:電腦輔助腎臟腫瘤分割之檢測
論文名稱(外文):The segmentation of renal tumor using Computer assisted detection
指導教授:許巍嚴
指導教授(外文):HSU,WEI-YEN
口試委員:黃興進張怡秋
口試委員(外文):Hwang,Hsin-GinnChang, I-Chiu
口試日期:2017-10-02
學位類別:碩士
校院名稱:國立中正大學
系所名稱:資訊管理系醫療資訊管理研究所
學門:商業及管理學門
學類:醫管學類
論文種類:學術論文
論文出版年:2017
畢業學年度:106
語文別:中文
論文頁數:33
中文關鍵詞:腎臟腫瘤醫療影像分割水平集卷積神經網路電腦輔助檢測
外文關鍵詞:renal/kidney tumormedical image segmentationlevel setCNNCAD
相關次數:
  • 被引用被引用:0
  • 點閱點閱:127
  • 評分評分:系統版面圖檔系統版面圖檔系統版面圖檔系統版面圖檔系統版面圖檔
  • 下載下載:0
  • 收藏至我的研究室書目清單書目收藏:0
由於影像分割方法大多皆需給予初始位置與輪廓,而影像分割方法的收斂與擴張又與初始位置與輪廓有著極大的相關。本研究提出一種創新的方法,結合卷積神經網路和水平集方法,用於電腦斷層掃描的腹部影像的半自動分割腎臟腫瘤,利用卷積神經網路在目標識別方面的優異表現,獲得腎臟腫瘤初始位置與輪廓,以解決因為人工手動圈選初始位置與輪廓的誤判而導致分割結果的錯誤,進而節省了進行影像判讀的時間與精力。
本研究詳細描述了卷積神經網路和水平集算法,並用於電腦斷層掃描的腹部影像之腎臟腫瘤分割。經實驗結果證實,本研究得到了相當高準確的結果,且本研究將所提出的方法與過去文獻所提出的方法做比較,結果顯示本研究提出的方法在靈敏度的部分高於過去文獻的結果。

Due to the image segmentation methods need to be given the initial position and contour, and the convergence and expansion of image segmentation methods also has a strong association with the initial position and contour, this study propose an innovative method. We combine convolutional neural network and level set for semi-automatic segmentation of renal tumors in computer tomography images. Using the advantage of CNN in target recognition to solve the misjudgment caused by manually circle the initial position and contour, and then save the time and energy of image interpretation.
In this study, we describe the convolutional neural network and the level set algorithm in detail, and applied them to renal tumor segmentations in abdominal images. The results show that this study has great accuracy. And compared with the literature in the past, the proposed method has higher sensitivity.

第一章. 緒論 1
1.1 研究背景 1
1.2 研究動機 4
1.3 研究貢獻 5
1.4 論文架構 6
第二章. 文獻探討 7
2.1 腎臟腫瘤分割文獻 7
第三章. 材料與研究方法 15
3.1 實驗材料 15
3.2 研究架構與流程 16
3.3 選取感興趣的區域與樣本 17
3.4 卷積神經網路 18
3.5 影像前處理 19
3.6.1 直方圖均衡化 19
3.6.2 高斯濾波 20
3.6.3 二值化 21
3.6 水平集方法 22
第四章. 實驗結果與討論 26
4.1. 實驗環境 26
4.2. 結果 26
第五章. 結論與未來研究方向 30
5.1. 結論 30
5.2. 研究限制 30
5.3. 未來研究方向 31
參考文獻 32


中文文獻
王正旭,張其軒(民97年)。希望之語面對腎臟癌。台北市:中華民國癌症希望協會。
秋鳳雄,侯宗昇,黃首博(民95)。醫學影像處理介面之設計(專題論文)。私立逢甲大學,台中市。
傅冠皓(民95年11月)。醫學影像--透視現代醫療之窗。光連,66,11-15。
賴文德(民104年3月)。泌尿系統癌症專刊。高醫醫療體系月刊,34。
盧昭亮(民105)。基於卷積神經網路之息肉狀脈絡膜血管病變偵測(碩士論文)。國立中正大學,嘉義縣民雄鄉。
英文文獻
Adams, R., & Bischof, L. (1994). Seeded region growing. Pattern Analysis and Machine Intelligence, IEEE Transactions, 16(6), 641-647.
Alex Krizhevsky., & Ilya Sutskever., & Geoffrey E Hinton. (2012) ImageNet classification with deep convolutional neural networks. In Advances in neural information processing systems, pages 1097–1105.
Andrea Vedaldi., & Karel Lenc. Matconvnet. (2015) Convolutional neural networks for matlab. In Proceedings of the 23rd ACM international conference on Multimedia, pages 689–692.
Bansari Shah, & Charmi Sawla. et al. (2017) Kidney Tumor Segmentation and Classification on Abdominal CT Scans, International Journal of Computer Applications, 164(9), 1-5.
Douglas G Altman, & J Martin Bland. (1994) Diagnostic tests. 1: Sensitivity and specificity. BMJ: British Medical Journal, 308(6943), 1552.
Garg, R., Mittal, B., & Garg, S. (2011). Histogram equalization techniques for image enhancement. International Journal of Electronics & Communication Technology, 2(1), 107-111.
Gonzalez, R. C., & Woods, R. E. (2002). Digital image processing. NJ: Prentice hall Upper Saddle River.
Hojjatoleslami, S. A., & Kittler, J. (1998). Region growing: a new approach.IEEE Transactions on Image processing, 7(7), 1079-1084.
Huang, J., Jian, F., Wu, H., & Li, H. (2013). An improved level set method for vertebra CT image segmentation. Biomedical engineering online, 12(1), 48.
J.K. Udupa, & S. Samarasekera, (1996) Fuzzy connect edness and object definition: theory, algorithms and applications in image segmetion, GMIP.
L. Vincent, & P. Soille. (1991) Watersheds in digital spaces: An efficient algorithm based on immersion simulations, IEEE Transactions on Pattern Analysis and Machine Intelligence, 13, 583-597.
Osher S, & Sethian. (1988) Fronts propagating with curvature-dependent speed: Algorithms based on Hamilton-Jacobi formulations, J. Comput. Phys., 79, 12–49.
Karen Simonyan, & Andrew Zisserman (2014) Very Deep Convolutional Networks for Large-Scale Image Recognition, CoRR, abs/1409.1556.
Kim DY, & Park JW. (2004) Computer-aided detection of kidney tumor on abdominal computer tomography scans., Acta Radiologica; 45, 791-795.
Kuldeep Pawar, & Jayamala.K.Patil (2012) A Systematic Study of Segmentation Methods for Detection of Kidney Tumor Using Computed Tomography Images. , International Journal of Engineering Sciences & Research Technology, 1(10), 565-568.
Mredhula.L, & Dr.M.A.Dorairangaswamy (2015) Detection and Classification of Tumors in CT Images, IJCSE, 6(2), 52-59.
Muhammad Rukunuddin Ghalib, & Dr.M.A.Dorairangaswamy (2014) Artificial Neural Network based Detection of Renal Tumors using CT Scan Image Processing, International Journal of Engineering and Technology, 6(1), 28-35.
Sharma Neeraj, & M. Aggarwal Lalit, (2010) Automated medical image segmentation techniques, J. Med. Physics, 35, 3-14.
Yan, J., Zhao, B., Wang, L., Zelenetz, A., & Schwartz, L. H. (2006). Marker-controlled watershed for lymphoma segmentation in sequential CT images.Medical physics, 33(7), 2452-2460.
電子全文 電子全文(網際網路公開日期:20221031)
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top
系統版面圖檔 系統版面圖檔