上海论文网提供MBA论文选题服务,专业提供硕士毕业论文服务。
导航 当前位置: 上海论文网>文献综述正文
医学论文开题报告文献综述范文「精选推荐」
  • 论文价格:0
  • 用途: 文献综述 Literature Review
  • 编辑:luying0723
  • 点击次数:164次
  • 论文字数:2548
  • 论文编号:el2021101314180525208
  • 日期:2021-10-13
  • 来源:上海论文网
开题报告文献综述范案例有吗?文献综述一般包含以下四部分:摘要、引言、主体和参考文献本文是一篇医学论文的文献综述,以“基于深度学习的超声甲状腺分割算法研究”为例,为大家讲述文献综述的写作要点,希望能够帮助到你。
一、论文文献综述范文模板
1、前言
简要说明写作的目的、意义、有关概念的定义,综述的范围,描述课题的研究现状,以及有关主题争论的焦点和发展趋势等。
2、正文
文献综述的重点。通过理论发展阶段性成果、理论意义、实践意义、成熟可靠新近的权威可信等,比较不同学者对同一问题的看法及其理论依据,阐明问题的来龙去脉和作者自己的见解。
3、总结与展望
对正文各种观点进行综合评价,高度概括主题内容,提出自己的观点意见主张展望发展前景。简明扼要地指出目前研究中尚需解决的问题及研究成果的意义和价值,在写作中应注意给出一个较为明确的阶段性结论。
4、参考文献
一般参考文献的多少可体现作者阅读文献的广度和深度。一般不低于20条,以最近3-5年内的最新文献为主。
二、论文摘要
甲状腺是人体最大的内分泌腺,大多数相关的疾病与甲状腺的形状、大小息息相关,常规超声检查甲状腺的组织大小也是评估甲状腺疾病的诊断依据,因此甲状腺组织的分割与体积重建对临床病理诊断有重大意义。而对于超声序列图像逐张切片人工标注获取目标组织再分析病理的任务来说,其人工成本较大并且受人为主观因素的影响较大,导致标注的图像存在较大误差。因此,需要设计一个能够自动分割超声甲状腺组织的计算机辅助诊断系统,这对临床医学研究和病理诊断具有重要意义。
随着深度学习在医学图像分割领域的不断应用,结合计算机视觉与深度学习的相关思路来构建计算机辅助诊断系统已成为重要的研究趋势。对比传统分割算法通常需要人工干预,深度学习通过自动捕获富有高分辨率的语义信息来实现图像分割任务,其能有效减少人工标注工作量及标注误差。因此,本文采用深度卷积网络来构建超声甲状腺分割模型,针对超声甲状腺图像中所存在的问题,本文提出以下解决方法:
(1)由于超声图像本身是由声波信号转换的,而不同机器的成像方式不同可能导致生成的超声图像也存在明显差异,若数据源差异性较大,则容易导致网络训练差异性较大、不容易拟合训练模型参数。因此,本文引入传统影像组学与图像频域分析知识,融合高低频域增广的图像纹理特征与边缘特征,增强图像本身的对比度并弱化图像间的差异性;同时,根据不同深度卷积提取的特征所包含的空间与语义信息不同的特点,采用混合上采样细化网络特征的还原方式,增强特征还原时的空间位置信息与局部语义信息从而提升网络的分割精度。
(2)由于超声检查获取的图像为组织的序列图像,使得甲状腺在超声切片图像中尺度分布不均,在形态大小及位置上均有明显差异,导致网络对于多尺度目标对象的识别能力较弱、分割不准确。因此,本文设计了级联多尺度空洞卷积金字塔模块,将不同大小感受野下的全局语义信息融合从而增强网络捕获不同尺寸大小目标的能力。提出了通道注意力与空间边缘注意力相结合的局部注意力模块,增强高维特征中关键语义通道及低维特征中感兴趣区域的关注度,提升网络对关键目标特征的提取。
(3)由于序列图像中,甲状腺组织的周边存在边缘显著的组织器官,可能会覆盖较小目标区域的甲状腺特征。因此,本文针对背景特征干扰的非显著目标分割任务,设计了动态多尺度空洞卷积模块,融合不同感受野下的全局语义信息与不同尺寸大小的局部细节信息,提取多尺度目标对象并弱化背景特征的覆盖;设计了特征融合注意力模块,引导网络对目标区域的关注并优化高低维特征间关键特征的获取。
实验结果表明,本文所提方法与同类医学分割网络在准确率、召回率及精准度上均有很大提升。
医学论文文献综述
医学论文文献综述
三、国内外研究评述
1.2 国内外研究现状
最近几年,随着图像分割技术逐渐进步、医疗水平的快速发展,医学图像分割技术的研究也受到了更多关注。作为医学图像分割的重要分支,超声图像分割技术几乎涵盖了现有的分割技术。根据医学图像分割算法的发展历程,可以分为基于传统影像组学和基于深度卷积网络两种不同思路的图像分割算法。基于传统影像组学的医学图像分割方法主要是以边缘检测和区域生长为基础的分割方法,依靠医学先验知识(例如颜色、纹理和对比度)分析图像各像素间的差异性从而划分区域分割线。但由于超声图像反馈的斑点强度并非唯一性的随机模式,仅依据启发式的纹理等信息可能导致最终的分割结果不完整,且该方法对于复杂场景还不够健壮。
随着计算机视觉与大数据技术在图像分割领域的不断应用,采用深度学习的方式来拟合图像分割的网络模型,通过深度神经网络捕获图像高级语义关系和上下文信息,从而划分图像前背景信息。目前,深度学习算法通过海量数据来优化网络自主学习的能力,使得分割算法模型有更好得到适配性、鲁棒性。但由于医学影像数据收集、标注等问题的限制,导致医学数据集往往难以支撑深度网络的训练,从而导致分割结果不理想。
1.2.1 基于传统影像组学的医学图像分割算法
基于传统影像组学的图像分割算法可根据区域划分方式的不同,分为边缘检测[3]和区域生长[4]两种分割方法。边缘检测主要是分析相邻像素特征值从而判断周边区域的间断性和凹凸性,通过对比不同区域界线将其分为不同对象类。区域生长则是采用合并、分裂和随机场的方式,将各个点分类至不同的特征类或相似类,最终根据划分的不同对象类,来达到目标分割的目的。这两种方法从分割图像的原理上互为对偶,两者各有优缺点。
彭文献等[5]结合 CT 影像中的灰度共生矩阵和梯度信息,采用统计学方式来识别甲状腺结节,根据图像中的灰度值信息,采用矩阵运算得到特定目标的矩阵区域。Quan等[6]采用归一化切割(Normalized cut, Ncut)方法合并过分割的区域,用于处理超声图像的强噪声斑点和弱边缘问题。Zhuang 等[7]融合超声模糊增强技术与分数布朗运动(fractional Brownian motion, FBM)模型,从而增强超声图像的对比度与分割效果。Aarnink 等[8]使用非线性拉普拉斯滤波器实现超声前列腺图像的自动分割。Lee 等[9]利用动态规划算法对不同的医学超声图像进行分割,取得了很好的分割效果。Yan 等[10]使用不同的计算机图像处理方法分离超声血管腔壁图像,结合医学先验知识,区分不同组织的特征,从而达到较好的分割效果。Qiang Chen 等[11]提出 Snake 模型与能量方程的分割算法,用以区分淋巴结及周边软组织的生理特性,采用能量方程来最小化能量函数从而优化闭合分割曲线轮廓,使其在图像中发生形变来拟合目标形状。Cvancarova 等[12]提出了结合 GVF 与Snake 算法构建的超声分割模型,结合心动图像中灰度信息与斑点的医学先验知识,锐化图像边界信息,最后能较好地分割超声图像中的心房轮廓。Alfredo[13]与 Prabal[14]等通过提取超声甲状腺的纹理信息,建立图像信号的参数化模型,根据不同纹理频带之间的能量比来区分甲状腺和非甲状腺纹理。Chen 等[15]在原有的活动轮廓模型中结合后验概率及小波能量等统计学方法,区分整体与局部的隶属关系,有效地提升模型的分割速度与准确性,便于临床医学中肿瘤检测的筛查。Zhu 等[16]结合基于图的方法和粒子群优化算法,提出了超声肝囊肿图像的最佳轮廓分割方法。
根据图像的边缘信息来分割目标区域,该方法经常会由于边缘信息不明显而产生间断的分割曲线,从而导致分割曲线不封闭,而将离散边缘点采用链接跟踪的方式勾画图像边界,可能会在较大噪声情况下出现伪边缘,影响分割结果[17,18,19]。由于超声图像的成像特点,超声反馈的斑点强度并非唯一的随机模式且成像过程中的病人呼吸和其他身体运动(包含医生徒手使用探头扫描部位与病人扫描时的身体运动)引入的伪影,以及不同成像机器根据反馈信号成像结果不同,这些因素往往导致生成的超声图像结果差异性较大,采用传统影像组学来区分超声图像的前背景区域的方法适配性差,分割精度不理想。
1.2.2 基于深度卷积网络的医学图像分割算法
传统影像组学的分割算法是根据医生的先验知识来分割图像区域。虽然简洁明了,但算法的鲁棒性和精准度仍需改善,仍有许多困难等待解决。随着大规模图像数据的采集以及计算机计算能力的飞速提升,深度学习强大的特征学习能力使得其在计算机影像分析研究中取得了较为广泛的发展与应用。图像分割本质上是像素级别的语义分割,即通过分配图像中每个像素点的类别标签从而区分不同的目标区域。
Long 等 [20] 提出全连接层替换为卷积层的全卷积神经网络 (Fully Convolutional Networks, FCN),优化了网络对于输入图像尺寸的限制,并采用跳跃连接的方式,提高分割精度。Goyal 等[21]采用同一个 FCN 训练多目标分割任务,使得网络能同时分割图像中的角膜、良性病变及黑色素瘤。Tran[22]采用 FCN 分割心脏的左、右心室,通过对比分析验证网络在全自动分割算法中的优越性。Zhou 等[23]在 FCN 的基础上引入 3D Majority Voting 多数投票机制,满足网络对多目标分割任务的需求,有效地分割人体躯干 CT 图像中的 19 个目标对象。Sumanth 等[24]通过一种全卷机神经网络 SUMNet 实现对超声甲状腺的快速分割。Lian 等[25]使用一种参数自适应脉冲耦合神经网络获取胆结石在内的高度区域,再使用区域生长的方法修正分割结果。FCN 更多是直接对提取的高维特征语义信息直接采用上采样还原图像特征,导致像素定位不准确、分割结果相对粗糙,需对分割结果进一步处理。
Ronneberger 等[26]结合编码-解码和跳层连接结构提出了 U-Net 网络结构,使其更适用于医学图像分割,并且该网络结构对于小数据量的生物医学图像数据集有较好的分割效果。 Poudel 等[27]在 U-Net 结构上添加循环网络单元 GRU,增强网络获取图像切片序列间的关联性,从而提高对心外膜的分割准确性。Alom 等[28]在 U-Net 结构上添加残差与循环神经网络结构,进一步构建了残差 U-Net 和循环残差 U-Net,有效提升网络对医学图像分割的鲁棒性。Milletari 等[29]设计了 U-Net 的 3D 变体 V-Net,通过目标间的 Dice系数建立目标函数,再结合 3D 卷积层构建三维图像分割模型。在 2018 年 MACCIA 十项全能疾病分割比赛中,Isensee 等[30]利用合理的预处理加经典 U-Net 结构提出了统一框架 nn U-Net 对多种数据中进行分割。这些采用编码-解码器结构的网络,编码器通常采用预先训练的分类模型作为特征提取器,例如残差网络(Residual Network, ResNet)和超分辨率测试序列(Visual Geometry Group, VGG),提取不同空间信息和语义信息的抽象特征。在解码器中,采用降维的方式逐步还原目标区域的细节信息。采用这种端到端的网络模式,结构简单且计算效率高,迁移性强。为了精细网络分割结果,通常采用条件随机场(CRFs)来对分割结果进行后处理。Christ 等[31]采用级联多个 FCN 来有效地分割腹部 CT 影像的病变肝脏区域,并添加密集三维条件随机场来优化模型的分割效果。Alansary 等[32]采用三维多尺度卷积神经网络和密集 3D CRF 来对胚盘进行分割并细化分割结果。现如今,一般图像分割流程主要分为图像预处理、感兴趣区域提取、分割算法分割图像区域、分割后处理。
通过深度卷积网络获取图像的内在纹理信息及语义特征,根据内部的深层隐性信息来划分目标区域,能从整体上获取一个较为完整的对象区域。但由于周遭环境的种种不定因素以及超声伪影的影响,导致获取的图像往往边界模糊,甚至不同组织灰度几乎相近,且由于人体组织内部复杂的解剖结构以及个体间的生理差异性,采用深度神经网络分割超声图像的目标区域的精度不高,鲁棒性差。
四、论文结论
医学图像分割建模是分析临床病理研究的一个重要依据,随着深度学习在医学图像领域的不断发展创新,计算机视觉辅助诊断也已深入临床医学的研究当中。本文以超声甲状腺图像为研究对象,结合深度学习与传统影像组学的相关思想,针对超声甲状腺分割存在的三个难点:数据源差异性大、目标尺寸分布不均和显著背景特征干扰,逐步分析存在问题并通过设计相关网络结构来增强网络对图像分割的准确率与鲁棒性,最终构建一个端到端的超声甲状腺分割网络。具体工作如下:
(1)查阅相关文献,分析超声甲状腺分割的研究背景及意义,对比分析医学图像分割算法的国内外研究现状,了解不同算法的优劣、算法局限性。
(2)研究深度学习及超声甲状腺分割的相关理论知识。概述深度学习的基本原理及分割网络的发展情况,并分析各自的优点与劣势;介绍本文使用的注意力机制的原理及发展历程;简述超声图像与甲状腺的医学常识,并详细介绍传统影像组学中超声频域分析的相关理论。
(3)针对数据源差异性问题,设计并构建了基于分段频域图像增强与混合上采样的超声甲状腺分割网络。结合不同频段下图像所包含的信息不同,采用传统影像组学中的频域增强技术,融合图像的高低频域信息,降低不同数据间的差异性。采用混合上采样方式优化特征还原方式,增强网络语义信息与空间信息的还原能力,降低数据源差异对网络训练的影响。
(4)针对目标尺寸差异问题,设计并构建了级联多尺度空洞卷积金字塔与局部注意力的分割网络。通过级联不同空洞率的空洞卷积获取不同感受野下的全局语义信息,采用特征金字塔融合不同维度语义信息,增强网络捕获不同大小尺寸目标对象的能力。同时,根据高低维空间语义信息的不同,采用局部注意力的方式,增强网络显著性目标区域与关键通道语义信息的关注度,提升网络对不同尺寸分布目标的敏感性。
(5)针对显著背景特征干扰问题,设计并构建了动态多尺度空洞卷积与特征融合注意力的分割网络。在多尺度目标分割的基础上进一步分析背景特征干扰的问题,为增强网络对非显著目标的关注并弱化显著背景特征的干扰,结合空洞卷积稀疏全局语义信息与动态卷积关联局部细节信息,设计动态多尺度空洞卷积来保证获取不同尺度大小目标对象的同时不受周边区域的影响;为细化周边显著特征对网络特征还原的影响,采用特征融合和注意力机制相结合,增强低维特征信息的感兴趣区域获取并优化高低维度间的目标区域特征。
开题报告文献综述
开题报告文献综述
五、参考文献
[1] 曾倩, 崔芳芳, 宇传华, 等. 中国癌症发病、死亡现状与趋势分析[J]. 中国卫生统计, 2016, 33(02):321-323.
[2] 于华龙, 李绍科, 李晓飞. 正常纵膈淋巴结的解剖学观测及 MSCT 影像学研究[J]. 解剖与临床, 2012, 17(2):107-111.
[3] 王震, 杜进楷, 寇宏玉, 等. 基于 Otsu 阈值分割的边缘快速图像插值算法[J]. 现代电子技术, 2019, 42(02):71-74+79.
[4] 刘百红, 邵志东, 郑四连, 等. 基于区域生长算法的初至自动拾取方法[J]. 物探与化探, 2019, 43(04):843-850.
[5] Peng W X, Liu C B, Xia S E, et al. Statistic texture feature based thyroid nodule recognition on CT images[J]. Space Medicine and Medical Engineering, 2017, 30(40):258-262.
[6] Quan L, Zhang D, Yang Y, et al. Segmentation of Tumor Ultrasound Image via Region-Based Ncut method[J]. Wuhan University Journal of Natural Sciences, 2013, 18(4):313-318.
[7] Zhuang Z M, Lei N H, Raj A N, et al. Application of fractal theory and fuzzy enhancement in ultrasound image segmentation[J]. Medical Biological Engineering Computing, 2019, 57(3):623-632.
[8] Aarnink R, Gesen R, Huynen A. A practical clinical method for method for contour determination in ultrasonographic prostate images[J]. Ultrasound Med Biol, 1994, 20(8):705-717.
[9] Lee B, Yan J, Zhuang T. A dynamic programming based algorithm for optimal edge detection in ultrasound images[J]. Proceedings of SPIE, 2001, 45:135-140.
[10] Yan J, Lv D, Cui Y. A Novel Segmentation Approach for Intravascular Ultrasound Images[J]. Journal of Medical and Biological Engineering, 2017, 37(3):386-394.
[11] Chen Q, Quan F, Xu J, et al. Snake model-based lymphoma segmentation for sequential CT images[J]. Computer methods and programs in biomedicine, 2013, 111(2): 366-375.
以上是医学论文的文献综述范文模板,可以参考完成自己的论文文献综述,如果你想了解论文写作的其他内容,可以在本网站查阅相关信息,如果你需要论文指导,可以在线咨询。