一、基于灰度分布特征的超声扫描图像恢复技术（论文文献综述）
左超,陈钱[1]（2022）在《计算光学成像：何来，何处，何去，何从？》文中进行了进一步梳理计算光学成像是一种通过联合优化光学系统和信号处理以实现特定成像功能与特性的新兴研究领域。它并不是光学成像和数字图像处理的简单补充，而是前端（物理域）的光学调控与后端（数字域）信息处理的有机结合，通过对照明、成像系统进行光学编码与数学建模，以计算重构的方式获取图像与信息。这种新型的成像方式将有望突破传统光学成像技术对光学系统以及探测器制造工艺、工作条件、功耗成本等因素的限制，使其在功能（相位、光谱、偏振、光场、相干度、折射率、三维形貌、景深延拓，模糊复原，数字重聚焦，改变观测视角）、性能（空间分辨、时间分辨、光谱分辨、信息维度与探测灵敏度）、可靠性、可维护性等方面获得显着提高。现阶段，计算光学成像已发展为一门集几何光学、信息光学、计算光学、现代信号处理等理论于一体的新兴交叉技术研究领域，成为光学成像领域的国际研究重点和热点，代表了先进光学成像技术的未来发展方向。国内外众多高校与科研院所投身其中，使该领域全面进入了“百花齐放，百家争鸣”的繁荣发展局面。作为本期《红外与激光工程》——南京理工大学专刊“计算光学成像技术”专栏的首篇论文，本文概括性地综述了计算光学成像领域的历史沿革、发展现状、并展望其未来发展方向与所依赖的核心赋能技术，以求抛砖引玉。
王耀辉[2]（2021）在《基于图像灰度确定生物组织密度及力学性能实验研究》文中研究说明生物组织材料的特性一直是生物力学、生物材料等领域研究的热门和重点问题。随着生物医学工程领域的快速发展,生物材料的特性对于研究生物组织至关重要。有研究表明,生物组织材料的图像灰度、密度和其力学性能之间有着十分密切的关系,并可应用于生物医学工程的众多研究领域中,如在生物在体、离体组织的力学性能分析,生物组织有限元建模和分析,组织损伤与康复等领域。本文着力于研究生物组织材料的力学性能与密度以及图像灰度之间的关系。基于本文得到的密度与图像灰度,以及力学性能与密度之间的关系,可以通过在体组织灰度的测量,获得该组织的力学性能参数,从而为人体组织在体力学性能的获取提供了快速便捷的方法。具体的研究内容包括:（1）生物组织杨氏模量和密度的关系。解剖新西兰大白兔制备兔腰椎松质骨试件,对松质骨进行表观密度测量,静态压缩实验,得到各腰椎密度、杨氏模量;记录CT标准体模杨氏模量和密度的数据,使用多种函数形式拟合得到CT标准体模杨氏模量和密度的关系公式;将兔腰椎松质骨试件密度代入关系公式,得到拟合的杨氏模量值,并将实测值和拟合值进行对比分析;（2）生物组织密度和图像灰度的关系。CT扫描新西兰大白兔和CT标准体模,获取扫描图像中CT标准体模的图像灰度,记录密度数据,使用多种函数形式拟合得到CT标准体模密度和图像灰度的关系公式;在扫描图像里读取新西兰大白兔多个组织的图像灰度,测量各组织表观密度,将各组织图像灰度代入关系公式,对比分析实测值和拟合值;（3）便携式体模的制备和应用。依据沉淀法原理制备羟基磷灰石粉末,对其进行处理得到羟基磷灰石体模;对自制体模材料进行表观密度测量,静态压缩实验,得到各材料表观密度和杨氏模量的实验数据,使用多种函数形式拟合得到自制体模杨氏模量和密度的关系公式,将实验兔各椎体松质骨的密度代入公式计算出拟合值,并进行实测值和拟合值的对比分析;对自制体模进行CT扫描和超声扫描实验,获取扫描图像灰度,记录各自制体模图像的灰度和密度数据,使用多种函数形式拟合得到自制体模密度和图像灰度的关系公式,将新西兰大白兔多个组织的图像灰度代入公式计算出拟合值,对比分析实测值和拟合值。通过对上述实验数据的处理和分析,可以得到以下结论:（1）杨氏模量和密度的关系公式整体符合实验兔的腰椎松质骨组织的实测数值;通过对比CT标准体模、自制体模杨氏模量的拟合值可以得知,二者拟合后的精度基本相同。因CT标准体模质量大,体积大,无法与被测生物组织一起进行数据采集,故可使用自制体模作为CT标准体模的替代品;（2）多种拟合方式得到的密度和CT图像灰度的关系公式与实验兔各组织密度的实测值均较为接近。对比CT标准体模、自制体模的密度拟合值可以得知,使用自制的便携式体模的精度高于使用CT标准体模的。因自制体模具有体积小,重量轻,精度高,可与被测生物组织一起进行数据采集的优点,故可利用自制体模建立的生物组织密度和CT图像灰度的关系公式,作为获取生物组织密度的有效公式;（3）多种拟合方式得到的密度和超声图像灰度的关系公式与实验兔各组织的实测值均较为接近。自制的便携式体模不仅可以用于确立生物组织密度与CT图像灰度之间的关系,也可用于确立生物组织密度与超声图像灰度之间的关系;本文给出了生物组织材料杨氏模量与密度以及图像灰度的关系公式,自制了体模,为CT、超声设备测量时,快速便捷地获取人体在体组织的力学性能参数,提供了一种解决方案。
高桐[3]（2021）在《多模态数据融合的颈部淋巴结智能检测方法研究与实现》文中研究表明颈部淋巴结肿大是临床上常见的颈部淋巴结疾病,若双侧的淋巴结被侵袭,则患者的5年生存率仅有25%。临床中医生检测通常存在主观误差且诊断较为费时。近期,越来越多的研究工作聚焦于使用机器学习方法进行颈部淋巴结病的鉴别。相关研究工作基于灰度超声图像进行淋巴结的鉴别,然而,灰度超声成像技术对血管、淋巴结等不同组织的区分能力较差,仅使用灰度超声图像常常造成模型将血管和淋巴混淆识别。多普勒超声能够提供淋巴结内部及周边的血流信号,可以作为灰度超声的补充来区分血管。同时,淋巴结分为正常、反应性、恶性淋巴结,其中,反应性淋巴结是一类特殊的淋巴结,对其进行鉴别的相关工作较少,该方面研究内容较为空缺。因此,本文收集了 1054组灰度超声和多普勒图像进行研究,并提出了两种模型结构针对性的解决上述两个问题。针对使用灰度超声一种模态进行淋巴结定位时,定位结果中存在淋巴、血管、肌肉混淆的问题,本文提出了一种融合灰度超声和多普勒的多模态语义分割模型。通过在输入端引入多普勒超声图片来对血流进行显影,该模型识别结果较单模态模型有一定提升,评估中取得了平均DICE值72.8%,淋巴结单类DICE值78.6%的结果。可见该模型能够较好的区分出淋巴、肌肉、血管,一定程度上解决了三者的混淆问题。传统研究中仅对淋巴结正常/异常类别进行区分,本文将异常淋巴结进一步细分为反应性和恶性淋巴结。恶性淋巴结需要手术切除,反应性淋巴结无需手术切除。本文首先通过收集病理金标准--穿刺活检手术结果确定了数据中正常、反应性、恶性的分布,然后结合应用多模态数据与多任务学习网络,提出了一种淋巴结分类模型,该模型以超声和多普勒图像作为输入,以淋巴结状态以及相关临床指标作为多任务输出,既较好的区分出了反应性类淋巴结,同时该模型预测的临床指标可以作为可解释性结果帮助医生推断淋巴结类别。模型在分类任务中取得了准确率84.9%的和精准率94.3%的结果。
陈杰[4]（2021）在《复材航空构件智能检测与分析》文中提出复合材料构件强度高、密度低,能显着降低航空飞行成本并提升航空设备性能,因此被大量应用于航空设备制造。在航空工业生产过程中,保障复材铺设的正确性以及对复材质量进行有效评估,具有重要研究价值和意义。复材构件检测主要包括:（1）复材在多层铺设中表面异物混杂检测;（2）对复材构件内部缺陷的检测。复材织物具有表面光反射复杂、光学图像对比度高、纤维纹理丰富等特点。表面夹杂物多为隔离纸等半透明薄膜,复材铺叠时若不及时发现并去除夹杂物会造成分层、脱粘等缺陷,留下严重隐患;复材缺陷内部缺陷检测主要采用超声设备进行扫描,人工通过超声图像判别缺陷,对检测人员的专业知识依赖性高,缺陷评定速度慢,人为疏漏可能性高,影响检测效率。基于上述问题,本文结合成都某飞机工业集团生产过程的实际需求,对构件生产过程质量监测提出两个阶段的对应方案:在复材织物铺叠成型阶段进行表面夹杂物检测;在复材构件成型后内部缺陷检测阶段结合现有超声检测设备实现缺陷区域自动提取。为解决铺叠成型阶段织物区域图像对比度高,明暗差异大的问题,本文设计了表面夹杂物检测算法,制定了检测硬件选型方案,并结合注意力机制,采用编码器-解码器架构设计了用于表面夹杂物分割检测的网络模型,实验验证该模型对于夹杂物分割的像素准确率可以达到94%。对于无损检测阶段超声图像噪声大、伪缺陷轮廓多的问题,本文结合项目中实际采用的超声C-扫描方法以及对缺陷超声图像灰度及轮廓的特征分析,提出了基于边缘检测和贝塞尔曲线图像灰度增强的缺陷边缘提取方法,以及基于聚类的缺陷区域分割方法。本文的工作和创新点如下:（1）结合复合材料表面夹杂物检测需求,研究分析复合材料表面光学图像特点,进行表面夹杂物检测方案的硬件选型,结合项目对于图像数据采集需要,搭建铺叠模拟环境进行表面夹杂物光学图像数据采集。（2）针对表面夹杂物光学图像对比度高,各区域明暗差异大,暗区缺陷对比度低造成难以检测的问题,本文制作了各级光照条件下夹杂物与复合材料背景实物数据集,设计了结合注意力机制和多重残差结构的表面夹杂物分割检测网络,实现了缺陷特征学习和夹杂物区域检测。（3）为满足复材超声图像缺陷区域检测分割需要,本文对比了边缘检测算子效果,提出基于边缘检测和聚类分割的缺陷区域分割方法。为解决超声灰阶图像中缺陷特征不明显、背景噪声过大问题,设计了基于三阶贝塞尔曲线的灰度变换函数,提升了缺陷检测的效果。
王凯伟[5]（2021）在《自冲铆接头机械内锁区成型质量的超声无损检测方法研究》文中研究说明自冲铆接头机械内锁区结构无损检测是汽车轻量化白车身连接质量检测与评价领域中亟待解决的一个问题,课题主要开展水浸聚焦超声斜入下的声场特征分析,基于超声C扫描图像分析的结构体边缘检测,以及自冲铆接头机械内锁区结构的超声检测方法及其应用研究,研究内容及结论如下:基于波动声学及射线声学的基本原理,开展水浸聚焦超声斜入下的声场特征研究。辨析超声入射角度对聚焦声场、超声A扫描信号幅值以及归一化TOF值的影响规律。研究表明:斜面倾斜角度在2°以内,对超声A扫描信号幅值的影响较小,可视斜面为水平状态;依据Huygens-Fresnel原理,为使超声信号在钉脚尖处不发生衍射的超声探头最小频率为15 MHz;超声探头斜入射时,超声信号幅值随着内径面倾斜角度增加而逐渐减小,归一化的TOF值随着试件倾斜角度的增加而逐渐增大。基于超声C扫描图像分析,开展结构体边缘声压分布特征,建立结构体边缘声强分布理论公式,并进行了试验验证。结果表明:结构体边缘处,基于超声C扫描图像提取的灰度-位置曲线具有一定的变化规律,即,呈现出先凹再凸的变化特征,灰度-位置曲线存在拐点,可将拐点作为结构体边界点,试验验证也表明,拐点作为结构体对应的超声C扫描图像的边界测量点的误差最小。建立自冲铆接头机械内锁区结构的超声检测方法,借助水浸聚焦超声扫描显微镜,开展自冲铆接头机械内锁结构的无损检测试验研究。结果表明:借助超声B扫描图像和C扫描图像可实现残余底厚的测量以及铆接缺陷位置、大小及形貌的判断;内径面倾斜角度与超声A扫描信号的幅值及C扫描图像灰度值成反比例关系,可由内径面超声C扫描图像对内锁区结构进行表征;依据Canny算子对内径面超声C扫描图像处理后测得的铆钉扩张直径比实际值偏大,而依据提取的内径面超声C扫描图像灰度-位置曲线的拐点作为铆钉边缘测量误差最小,可将拐点作为铆钉边界点,进而实现钉脚扩张直径的精确计算。
王思源[6]（2021）在《超声图像中的特定目标分割与图像增强技术研究》文中进行了进一步梳理近年来,随着生活水平的发展,社会群体对自身健康问题日益重视。超声检查作为一种便捷、无损伤的筛查方式获得了越来越广泛的应用场景,而超声影像成像的相关问题也成为了眼下十分有价值的研究热点。超声图像的成像过程会由于成像系统、人工操作等多方面原因,导致影像中出现斑点噪声、对比度不均等问题。这些问题严重限制了其在人工智能医疗图像分割领域的发展。不同于其他的医疗影像成像场景,超声设备更多为手持设备,所获得图像的边界不清、噪声干扰较大给分割任务带来了很大的挑战性,同时也不利于医师的识别与判断。为解决这些潜在问题,降低医师的工作量,满足迅捷高效实施临床诊断的需求,论文最终确定了课题选题。本课题的研究方法作为面向超声影像特定部位应用的普适性方法,选取临床诊断难度较大的臂丛神经超声进行实验,使用kaggle平台提供的臂丛神经超声影像（BP）数据集。研究主要分为两方面:第一阶段对超声影像数据集做数据增强,扩充超声数据集。随后进行了以下研究:首先,针对传统图像分割算法的不足之处,先使用Fcn、Unet等基准神经网络对目标区域进行分割训练,随后应用Deeplab系列模型,通过空洞卷积和全连接场（CRF）优化边缘细节信息测试分割结果,最后基于DeeplabV3+模型优化模型,通过增加自注意力机制等策略对整体结构进行优化,最终得到了 0.7314的分割效果,通过与多种分割网络的分割效果进行对比,验证了算法的有效性。第二阶段,面向臂丛神经超声图像,应用滤波方法和直方图类增强方法对原始图像进行处理,并将具有自适应性的对比度边界增强算法应用在超声图像上,最后提出基于图像融合的超声图像增强算法,并给予不同标准给予图像增强效果的评价横向对比,验证所提出图像增强算法在辅助医师进行临床诊断上的有效性和实际的应用价值。本文从客观指标和主观视觉效果分别对特定目标位置分割算法以及超声图像增强算法的效果进行了评价,验证了模型在临床应用上的实用性价值,做到深度学习与医学图像处理领域的交叉应用,证明了其广泛的应用前景。
杨官玉[7]（2020）在《医学图像分割及可视化研究》文中研究说明随着计算机技术和医学成像技术的进步,医生能够获取到的医学影像数据日益丰富,现代医学诊断对医疗影像的依赖性也随之增高,医学图像后处理在现代医学临床应用和研究中发挥着越来越重要的作用。医学图像分割和可视化是医学影像后处理的重要内容,是医学影像领域的研究热点。医学图像分割和可视化也是医学图像应用软件的核心功能,是现代医学诊断、手术指导等应用的基础。医学图像数据量大,人工分割耗时大且主观性强,准确、快速的医学图像后处理技术可以更好发挥医学影像的诊断作用、提高医生的工作效率。本论文主要针对人脑磁共振图像和心脏CT血管造影图像进行分割方法研究,并基于CT图像研究冠状动脉的曲面重建可视化方法。在脑核磁图像分割中,主要研究一种去颅骨算法,并将其用于血管周围间隙的分割。首先研究了经典的BET去颅骨算法,针对其无法有效去除实验数据的颅骨的问题,实现了一种基于仿射配准的去颅骨方法。然后在该方法基础上,提出了一种基于管状结构增强的血管周围间隙分割方法,实现了对头顶部脑白质区域血管周围间隙的自动分割。在心脏CTA图像的分割研究中,首先基于粗分割的冠状动脉和由其计算得到的中心线,提出一种基于圆柱体模型的冠状动脉管腔精确分割方法,该方法可以分割得到准确的管腔,明显改善了粗分割过程造成的管腔过分割问题,使得分割后的血管可用于量化评价管腔狭窄度。针对冠状动脉的可视化问题,主要研究了多种曲面重建（CPR）算法,详细地阐述了其原理,首先研究传统的曲面重建算法,包括延展CPR和拉直CPR,使得在一张图像上可以显示整条血管的状况。然后改进并实现了一种球面CPR,该方法利用最大密度投影将整个冠脉树显示在冠脉树包络曲面上,还可以显示在衍生出的球面和平面图像中,增加了显示的直观性。在生成包络面图像中,通过引入心脏表面得到了比原方法更加准确的冠脉树包络曲面,使得血管的显示更准确;在生成衍生图像中,设计合适的旋转矩阵,减少了血管的形变。经过真实系统验证,这三种曲面重建可视化方法具有很强的实用性。
付青青[8]（2020）在《超声成像测井图像增强和复原方法研究》文中研究说明在油气资源勘探开发领域,超声成像测井以其图像直观、全井眼覆盖和探测范围大等优点,得到了广泛应用。超声成像测井不但可以在裸眼井中反映井眼几何形状,识别裂缝、孔洞、层理等地层非均质性,而且还能在套管井中检查射孔质量、分析套管损坏以及评价固井质量。但是由于超声成像测井过程中复杂的测井作业环境以及超声换能器非理想性声斑等因素,导致了超声测井图像模糊,造成了图像的对比度降低,分辨率下降,为细小目标地质体特征的分析和解释带来了困难。在此背景下,本文结合超声成像测井的工程需求,以超声成像测井原理和信息处理为理论基础,采用物理模拟和数值模拟相结合的方法,从信号产生与处理的角度开展了超声测井图像增强和复原方法研究。本文主要工作如下:1.基于限定对比度直方图均衡的超声测井图像增强方法的研究针对超声测井图像增强问题,基于超声成像对比度低的客观实际,结合工程实时性的要求,研究并实现了HE,BBHE,RMSHE,POSHE,BOHE,MLBOHE,CLAHE等多种直方图均衡方法。在对算法性能分析的基础上引入幂次变换方法,通过参数调整对灰度级进行非线性变换。分析了子块数量、剪切阈值、幂次等参数的选择与增强效果的关系。采用幂次变换与CLAHE方法相结合,提出了CLAHE-PL图像增强方法。利用实验室超声图像、模型标准井和油田现场测得的超声测井图像进行了对比验证测试,主观评价和客观指标（MG、PSNR、AMBE、IE和LC）评价均指示了CLAHE-PL方法增强超声测井图像是有效的。2.基于部分重叠的直方图均衡超声测井图像增强方法的研究针对部分重叠的直方图均衡方法存在过度增强的问题,将CLAHE算法中剪切直方图引入到POSHE方法中,修改子块累积直方图分布函数。以低对比度的夜间车辆监控图像为例,分析了剪切阈值的大小对增强效果的影响,提出了POSHEOC图像增强方法,利用平均梯度和平均结构相似度指标构建测井图像质量评价的策略,实现了最佳的子块直方图剪切阈值的自动选取。在此基础上,以模型标准井和2幅油田现场实测的超声测井图像为例,结合PMGSIM、PSNR、IE、AMBE和LC等5个客观评价指标,将本文提出的POSHEOC和CLAHE-PL两种算法与HE、BBHE、RMSHE、POSHE、BOHE和MLBOHE等6种方法进行对比测试。实验结果表明,POSHEOC方法处理超声测井图像是有效的,实现了提高超声测井图像对比度的同时,限制了平坦区过度增强,突出了局部细节信息。3.基于APEX点扩展函数估计的最佳K值维纳滤波复原方法的研究针对超声测井图像复原问题,分析了图像退化的因素,明确了声束的扩散在井壁形成的声斑是造成超声测井图像退化的主要原因。基于超声测井成像系统退化模型未知的实际情况,研究了声波换能器的传输特性,利用试验估计法在退化图像中选取特征点作为参考对象,推导出点扩散函数模型近似为G类函数。采用APEX算法,对模型参数进行估计,将APEX参数拟合拓展到水平和垂直两个方向,进行对数幅度谱截面曲线拟合,估计出点扩散函数。基于估计的点扩散函数,利用维纳滤波方法进行图像复原,针对维纳滤波复原方法中噪信比K值未知的问题,提出了基于引导滤波和最小均方误差自动找寻最佳噪信比K值的方法。在此基础上,基于已知的标准清晰图像,利用计算机模拟退化图像,并增加不同功率的高斯噪声,开展复原性能测试,并结合MG、PSNR、IE、AMBE和LC等5个客观评价指标,对复原图像的质量进行了对比分析,验证了所提复原算法的正确性。在模拟退化图像进行复原正确的基础上,利用实验室超声图像、模型井超声图像和现场测井图像进行了大量的仿真实验,结合主观观察和客观评价指标,开展复原图像的性能测试。实验结果表明,本文提出的基于APEX点扩展函数估计的最佳K值维纳滤波复原方法对超声测井图像的复原是有效的,在恢复图像细节信息,增强清晰度,抑制噪声方面均表现出良好的性能。本文的主要成果:1.研究了基于直方图的系列图像增强方法,提出适合超声测井图像增强的两种方法CLAHE-PL和POSHEOC,所提方法可以内嵌到现场测井资料处理与解释软件中,服务于油气勘探开发,亦可推广适用于水下声学图像的增强。2.研究了基于试验估计的图像盲复原方法,并估计了超声图像的退化模型,将APEX算法引入到超声测井图像点扩散函数的参数估计中,提出了基于引导滤波和最小均方误差自动找寻最佳噪信比K值的方法,探索出了一种超声测井图像退化模型估计方法和测井图像复原算法,研究成果在油田勘探开发中有较好的应用前景。
陈兴[9]（2020）在《基于超声成像监测HIFU治疗组织损伤的方法研究》文中指出高强度聚焦超声（High Intensity Focused Ultrasound,HIFU）治疗是一种新兴的肿瘤治疗技术,以无毒副作用、无创等优点应用于临床治疗。其主要原理是将超声波聚焦于肿瘤区域,使焦域温度瞬间上升至65℃以上,肿瘤组织发生变性或凝固性坏死,从而达到治疗肿瘤的目的。本文以新鲜离体猪肉组织作为实验样本,通过B超成像仪获取HIFU辐照前后的实时超声图像,研究了焦域处HIFU组织热损伤与图像特征的关系及HIFU组织损伤区域检测与识别的方法,并进一步使用水平集方法分割HIFU组织损伤区域。主要工作如下:（1）HIFU焦域处超声图像的纹理特征分析。由于HIFU辐照后的超声图像与辐照前的超声图像在纹理上会出现差异性,因而通过提取焦域处超声图像的灰度-梯度共生矩阵的灰度熵、混合熵等特征参数进行模糊C均值聚类。实验结果表明:与传统的灰度均值、图像信息熵等特征参数相对比,其灰度熵与混合熵能更准确地表征HIFU组织损伤状况。（2）HIFU组织损伤区域检测与识别。针对HIFU组织损伤区域难以定位,提出了利用灰度阈值初定位组织损伤区域;然后根据组织边缘轮廓与初定位像素点的距离去除边缘伪损伤区域;最后提取组织损伤检测图像的灰度熵、混合熵等特征参数,并使用支持向量机（SVM）进行组织损伤识别。实验结果表明:本文提出使用K均值聚类结合形态学的方法能准确地计算组织边缘轮廓,利用灰度熵能有效识别出HIFU组织损伤区域,进而实现自动定位HIFU组织损伤区域,为HIFU组织损伤监测提供帮助。（3）HIFU组织损伤区域分割。将定位后的组织损伤区域作为初始化位置,提出使用水平集方法分割组织损伤区域。实验结果表明:局部高斯分布拟合（LGDF）模型结合图像灰度与方差信息进行曲线演化,相对局部二值拟合（LBF）模型分割精度更高,从而更直观地显示出具体的组织损伤区域,进一步可视化HIFU损伤区域状况。本文的研究方法将有助于HIFU治疗方案的调整,为HIFU治疗过程的组织损伤监测提供新的思路。
谭嘉琪[10]（2020）在《基于超声图像分割的脑白质损伤融合分类算法研究》文中认为脑白质损伤是一种常见于早产儿的脑神经损伤疾病,主要通过颅脑超声等影像学手段来进行诊断,通过计算机对各种疾病进行辅助诊断可以帮助医生观察到一些不易察觉的细节,并且给出诊断参考意见,可以有效减少误判率,具有重要意义。本文实现了颅脑超声图像的预处理,重点设计实现了颅脑超声图像分割的神经网络模型,提取了感兴趣区域内的空间域、频域和纹理特征,再使用基于高维度互信息熵的特征选择算法完成了特征筛选,设计实现了多分类器融合算法,最后完成了早产儿脑白质损伤的计算机辅助诊断系统的设计和实现。本文的创新之处在于,提出了一种基于残差结构和循环结构的U型神经网络,通过优化激活函数和损失函数,提高了早产儿颅脑超声图像的分割准确率;此外,使用boosting算法和分类器加权投票,实现了三种基分类器的融合,提高了颅脑超声图像的分类准确率。论文的主要工作有:（1）设计实现了基于深度学习的脑白质损伤自动分割算法。实现了超声图像的预处理,通过图像扩增技术增加了网络模型的训练样本数,设计了基于残差结构和循环结构的U型神经网络模型,并优化了激活函数和损失函数的选取,自动分割出了早产儿颅脑超声图像的感兴趣区域,通过五个评估指标评估和分析了该神经网络分割结果,提高了超声图像的分割准确率。（2）设计实现了感兴趣区域的特征提取算法和特征选择算法。实现了超声图像的灰度转换和小波分解,对各模式图像分割的感兴趣区域分别提取了空间域、频域和纹理特征,实现了基于高维互信息的特征选择算法,对提取出的所有特征进行了筛选,选出了特征和类别相关性高同时冗余度低的特征子集。（3）设计实现了多分类器融合算法。以支持向量机（Support Vector Machine,SVM）分类器、决策树分类器和极限学习机（Extreme Learning Machine,ELM）分类器为基分类器,通过boosting策略实现了分类器融合,然后再将三个强分类器的分类结果加权投票,得到最终的分类结果,提高了超声图像的分类准确率。（4）设计实现了脑白质损伤的计算机辅助诊断系统。完成了系统功能模块设计,设计了用户登录模块、脑白质损伤辅助诊断模块以及患者病例填写模块,实现了相应的功能。
二、基于灰度分布特征的超声扫描图像恢复技术（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于灰度分布特征的超声扫描图像恢复技术（论文提纲范文）
（1）计算光学成像：何来，何处，何去，何从？（论文提纲范文）
| 0 引言 |
| 1 计算光学成像：何来？ |
| 1.1 成像系统的雏形 |
| 1.2 光学成像系统的诞生——金属光化学摄影 |
| 1.3 第一次成像革命——感光版光化学摄影 |
| 1.4 第二次成像革命——胶卷光化学摄影 |
| 1.5 第三次成像革命——数码相机 |
| 1.6 第四次成像革命——计算成像?! |
| 2 计算光学成像：何处？ |
| 2.1 功能提升 |
| 2.1.1 相位成像 |
| 2.1.2 光谱成像 |
| 2.1.3 偏振成像 |
| 2.1.4 三维成像 |
| 2.1.5 光场成像 |
| 2.1.6 断层(体)成像 |
| 2.1.7 相干测量 |
| 2.2 性能提升 |
| 2.2.1 空间分辨 |
| 2.2.2 时间分辨 |
| 2.2.3 灵敏度 |
| 2.2.4 信息通量 |
| 2.3 成像系统简化与智能化 |
| 2.3.1 单像素成像 |
| 2.3.2 无透镜成像 |
| 2.3.3 自适应光学 |
| 2.3.4 散射介质成像 |
| 2.3.5 非视域成像 |
| 2.3.6 基于场景校正 |
| 3 计算光学成像：何去？ |
| 3.1 优势 |
| 3.1.1“物理域”和“计算域”的协同 |
| 3.1.2 潜在的“通用理论框架” |
| 3.2 弱点 |
| 3.2.1 成本与代价 |
| 3.2.2 数学模型≈甚至于≠物理过程 |
| 3.2.3 定制化vs标准化 |
| 3.2.4 技术优势vs市场需求 |
| 3.3 机会 |
| 3.3.1 科学仪器 |
| 3.3.2 商业工业 |
| 3.3.3 国防安全 |
| 3.4 威胁 |
| 4 计算光学成像：何从？ |
| 4.1 新型光学器件与光场调控机制 |
| 4.2 高性能图像传感器的发展 |
| 4.3 新兴的数学与算法工具 |
| 4.4 计算性能的提升 |
| 4.4.1 专用芯片 |
| 4.4.2 新材料和新器件 |
| 4.4.3 云计算 |
| 4.4.4 光计算 |
| 4.4.5 量子计算 |
| 4.5 人工智能 |
| 5 结论与展望 |
（2）基于图像灰度确定生物组织密度及力学性能实验研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 CT技术和超声技术的发展现状 |
| 1.2.1 CT技术发展现状 |
| 1.2.2 超声技术发展现状 |
| 1.3 图像灰度、密度和力学性能研究现状 |
| 1.3.1 图像灰度和密度研究现状 |
| 1.3.2 力学性能研究现状 |
| 1.4 本文的主要研究工作 |
| 第2章 CT体模力学性能和密度关系 |
| 2.1 兔腰椎松质骨试件制备 |
| 2.2 兔松质骨试件表观密度测量 |
| 2.2.1 实验方法 |
| 2.2.2 实验设备 |
| 2.2.3 实验步骤 |
| 2.2.4 实验结果 |
| 2.3 松质骨试件静态压缩实验 |
| 2.3.1 实验内容 |
| 2.3.2 实验设备 |
| 2.3.3 实验步骤 |
| 2.3.4 实验结果 |
| 2.4 力学性能和密度关系 |
| 2.4.1 CT体模杨氏模量和密度关系公式 |
| 2.4.2 结果分析 |
| 2.5 本章小结 |
| 第3章 CT体模密度和图像灰度关系 |
| 3.1 CT扫描实验 |
| 3.1.1 实验内容 |
| 3.1.2 实验设备 |
| 3.1.3 实验步骤 |
| 3.1.4 实验结果 |
| 3.2 密度和CT图像灰度关系 |
| 3.2.1 CT体模密度和CT图像灰度关系公式 |
| 3.2.2 结果分析 |
| 3.3 本章小结 |
| 第4章 羟基磷灰石体模的制备和应用 |
| 4.1 羟基磷灰石体模制备 |
| 4.1.1 实验方案 |
| 4.1.2 实验设备 |
| 4.1.3 实验步骤 |
| 4.2 自制体模杨氏模量和密度关系 |
| 4.2.1 自制体模杨氏模量和密度关系公式 |
| 4.2.2 结果分析 |
| 4.3 自制体模密度和CT图像灰度关系 |
| 4.3.1 自制体模密度和CT图像灰度关系公式 |
| 4.3.2 结果分析 |
| 4.4 自制体模超声扫描实验 |
| 4.4.1 实验内容 |
| 4.4.2 实验设备 |
| 4.4.3 实验步骤 |
| 4.4.4 实验结果 |
| 4.5 自制体模密度和超声图像灰度关系 |
| 4.5.1 自制体模密度和超声图像灰度关系公式 |
| 4.5.2 结果分析 |
| 4.6 本章小结 |
| 第5章 全文总结与展望 |
| 5.1 全文总结 |
| 5.2 本文的创新性 |
| 5.3 展望 |
| 参考文献 |
| 攻读硕士学位期间科研成果 |
| 致谢 |
（3）多模态数据融合的颈部淋巴结智能检测方法研究与实现（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 引言 |
| 1.1 课题背景 |
| 1.2 本文研究内容 |
| 1.3 论文的组织结构 |
| 第二章 国内外研究现状 |
| 2.1 淋巴结智能检测方法 |
| 2.2 多模态融合智能诊断方法 |
| 2.3 语义分割算法研究现状 |
| 2.4 本章小结 |
| 第三章 样本数据集构建及数据预处理 |
| 3.1 病历样本数据集构建 |
| 3.2 数据预处理 |
| 3.2.1 数据标注与标记填补 |
| 3.2.2 自动裁剪 |
| 3.2.3 降噪 |
| 3.2.4 模态配准 |
| 3.2.5 数据增强 |
| 3.2.6 数据划分 |
| 3.3 本章小结 |
| 第四章 颈部淋巴结自动定位算法 |
| 4.1 引言 |
| 4.2 颈部淋巴结自动定位算法设计 |
| 4.2.1 单模态语义分割模型设计 |
| 4.2.2 多模态语义分割模型设计 |
| 4.3 代码模块设计与实现 |
| 4.3.1 模块设计 |
| 4.3.2 模块调用流程设计 |
| 4.3.3 模型训练超参数 |
| 4.4 实验结果分析 |
| 4.4.1 样本数据统计分析 |
| 4.4.2 多普勒数据的有效性 |
| 4.4.3 血流数据的有效性 |
| 4.4.4 多模态数据的有效性 |
| 4.4.5 FSM的有效性 |
| 4.4.6 局限性与困难样本 |
| 4.5 本章小结 |
| 第五章 颈部淋巴结自动分类算法 |
| 5.1 引言 |
| 5.2 颈部淋巴结自动分类算法设计 |
| 5.2.1 单模态分类模型设计 |
| 5.2.2 多模态分类模型设计 |
| 5.2.3 多模态多任务模型设计 |
| 5.3 代码模块设计与实现 |
| 5.3.1 模块设计 |
| 5.3.2 模块调用流程设计 |
| 5.3.3 模型训练超参数 |
| 5.4 实验结果分析 |
| 5.4.1 样本数据统计分析 |
| 5.4.2 模型对正常/反应性/恶性淋巴结的鉴别能力 |
| 5.4.3 模型对正常/异常淋巴结的鉴别能力 |
| 5.4.4 模型对无需切除型/需要切除型淋巴结的鉴别能力 |
| 5.4.5 模型可解释性分析 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 论文工作总结 |
| 6.2 问题和展望 |
| 参考文献 |
| 致谢 |
| 作者攻读学位期间发表的学术论文目录 |
（4）复材航空构件智能检测与分析（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及研究意义 |
| 1.2 基于图像的缺陷检测研究现状 |
| 1.3 深度学习缺陷分割研究 |
| 1.4 复材构件缺陷检测方法 |
| 1.5 论文研究内容及结构安排 |
| 第2章 复材表面夹杂物及缺陷图像分析 |
| 2.1 复材铺叠过程夹杂物模拟数据采集 |
| 2.2 复材构件超声图像 |
| 2.2.1 超声探伤原理及设备 |
| 2.2.2 复材构件超声图像 |
| 2.3 复材表面夹杂物及内部缺陷图像分析 |
| 2.3.1 表面夹杂物图像 |
| 2.3.2 缺陷超声图像 |
| 2.4 缺陷边缘检测及区域分割 |
| 2.4.1 目标轮廓提取实验 |
| 2.4.2 图像区域分割实验 |
| 2.5 本章小结 |
| 第3章 结合注意力机制的夹杂物分割网络 |
| 3.1 图像处理与数据增强 |
| 3.1.1 图像几何空间变换 |
| 3.1.2 图像直方图均衡算法 |
| 3.2 神经网络注意力机制 |
| 3.3 夹杂物检测分割网络结构 |
| 3.3.1 网络结构设计 |
| 3.3.2 检测效果评价指标 |
| 3.4 缺陷分割网络训练 |
| 3.4.1 实验算法运行平台 |
| 3.4.2 实验数据采集与标注 |
| 3.4.3 训练细节设置 |
| 3.5 缺陷检测实验及结果分析 |
| 3.5.1 基础网络检测效果实验 |
| 3.5.2 网络模型增强实验 |
| 3.5.3 明暗区域检测对比实验 |
| 3.6 本章小结 |
| 第4章 基于灰度增强的复材超声图像缺陷区域分割 |
| 4.1 复材构件超声图像 |
| 4.2 图像去噪及分割算法 |
| 4.2.1 滤波去噪处理 |
| 4.2.2 超像素算法 |
| 4.3 复材构件超声图像缺陷提取 |
| 4.3.1 缺陷边缘检测定位 |
| 4.3.2 缺陷区域分割提取 |
| 4.4 实验量化分析 |
| 4.4.1 实验数据 |
| 4.4.2 复材试块缺陷提取实验 |
| 4.4.3 蒙皮超声图像模拟缺陷提取实验 |
| 4.5 本章小结 |
| 第5章 总结与展望 |
| 5.1 研究结论 |
| 5.2 研究展望 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
（5）自冲铆接头机械内锁区成型质量的超声无损检测方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 图像边缘检测研究现状 |
| 1.2.2 自冲铆铆接质量检测研究现状 |
| 1.3 研究内容及技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 第二章 水浸聚焦超声斜入射下的声场特征分析 |
| 2.1 水浸聚焦超声检测物理基础 |
| 2.1.1 声场常用参数 |
| 2.1.2 声波的界面传播 |
| 2.1.3 水浸聚焦超声探头声场参数 |
| 2.1.4 水浸聚焦超声检测参数设定 |
| 2.2 试验材料及试件制备 |
| 2.3 斜入射对聚焦声场的影响 |
| 2.3.1 垂直入射的声场 |
| 2.3.2 斜入射的声场 |
| 2.4 斜入射对超声A扫描信号的影响 |
| 2.4.1 斜入射对超声A扫描信号幅值的影响 |
| 2.4.2 斜入射对超声A扫描信号TOF的影响 |
| 2.5 小结 |
| 第三章 基于超声C扫描图像分析的结构体边缘检测 |
| 3.1 结构体边缘超声C扫描图像模糊问题探因 |
| 3.2 结构体边缘声强分布特征及其理论公式的推导 |
| 3.2.1 超声C扫描图像灰度变化的理论依据 |
| 3.2.2 结构体边缘声强分布理论公式的建立 |
| 3.3 结构体边缘灰度值特征辨析及其边缘检测 |
| 3.3.1 基于超声C扫描图像灰度-位置曲线边界点的计算 |
| 3.3.2 结构体边缘灰度-位置曲线的特征点及其边界的确定 |
| 3.4 基于灰度-位置曲线结构边缘检测的试验验证 |
| 3.5 小结 |
| 第四章 自冲铆接头机械内锁区结构的超声检测方法及应用研究 |
| 4.1 自冲铆接头机械内锁区超声检测方法的构建 |
| 4.2 自冲铆接头内径面超声信号分析 |
| 4.2.1 内径面超声A扫描信号时域分析 |
| 4.2.2 内径面超声A扫描信号频域分析 |
| 4.3 自冲铆接头机械内锁区几何尺寸超声测量研究 |
| 4.3.1 基于超声C扫描图像钉脚扩张直径的检测 |
| 4.3.2 基于超声B扫描信号残余底厚的检测 |
| 4.4 铆接缺陷超声图像特征分析 |
| 4.4.1 铆接裂纹超声图像特征分析 |
| 4.4.2 铆钉偏心超声图像特征分析 |
| 4.4.3 外观裂纹超声图像特征分析 |
| 4.5 小结 |
| 第五章 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 A 攻读硕士期间获得的成果 |
（6）超声图像中的特定目标分割与图像增强技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 超声图像分割与增强的国内外研究现状 |
| 1.2.1 医疗与超声图像分割算法的研究现状 |
| 1.2.2 超声图像增强算法的研究现状 |
| 1.3 论文主要内容与组织结构 |
| 1.3.1 论文主要内容 |
| 1.3.2 论文的组织结构 |
| 第二章 相关技术与基础理论 |
| 2.1 引言 |
| 2.2 神经网络与深度学习 |
| 2.3 超声图像增强技术 |
| 2.3.1 超声图像成像原理 |
| 2.3.2 超声图像增强技术 |
| 2.4 本章小结 |
| 第三章 基于全监督的BP神经超声分割算法 |
| 3.1 引言 |
| 3.2 基于全卷积和U型网络的超声分割算法 |
| 3.2.1 全卷积神经网络(FCN) |
| 3.2.2 U型图像分割网络(U-net) |
| 3.3 基于Deeplab框架的超声图像分割模型 |
| 3.3.1 deeplabv1模型 |
| 3.3.2 deeplabv2模型 |
| 3.3.3 deeplav3模型 |
| 3.3.4 Att-Deeplab模型架构 |
| 3.4 实验结果及模型评估 |
| 3.4.1 环境配置 |
| 3.4.2 实验数据集 |
| 3.4.3 模型评价指标 |
| 3.4.4 实验结果分析 |
| 3.5 本章小结 |
| 第四章 基于图像融合的超声图像增强算法 |
| 4.1 引言 |
| 4.2 传统超声图像增强方法 |
| 4.2.1 Gabor滤波 |
| 4.2.2 平滑滤波 |
| 4.2.3 直方图均衡类方法 |
| 4.2.4 自适应对比度增强方法 |
| 4.3 分频融合超声图像增强方法 |
| 4.4 仿真实验及算法性能分析 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 内容总结 |
| 5.2 不足与展望 |
| 参考文献 |
| 致谢 |
（7）医学图像分割及可视化研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 医学图像分割和可视化简介 |
| 1.1.1 常用医学成像方法 |
| 1.1.2 医学图像分割和可视化简介 |
| 1.2 研究背景及意义 |
| 1.3 国内外研究现状 |
| 1.3.1 去颅骨的研究现状 |
| 1.3.2 脑血管周围间隙自动分割的研究现状 |
| 1.3.3 冠状动脉管腔分割的研究现状 |
| 1.3.4 冠脉可视化的研究现状 |
| 1.4 研究内容 |
| 1.5 论文组织结构 |
| 第二章 基于脑MRI图像的去颅骨方法研究 |
| 2.1 引言 |
| 2.2 BET去颅骨方法 |
| 2.3 基于配准的去颅骨方法 |
| 2.3.1 图像配准的原理 |
| 2.3.2 水平集方法的基本原理 |
| 2.3.3 基于配准的去颅骨方法 |
| 2.4 本章小结 |
| 第三章 基于脑MRI图像的血管周围间隙分割 |
| 3.1 引言 |
| 3.2 血管周围间隙简介 |
| 3.2.1 血管周围间隙的特征 |
| 3.2.2 实验数据 |
| 3.3 基于管状结构增强的VRS分割方法 |
| 3.3.1 管状结构增强原理 |
| 3.3.2 基于管状结构增强的VRS分割 |
| 3.4 本章小结 |
| 第四章 基于增强CT图像的冠状动脉血管分割 |
| 4.1 引言 |
| 4.2 拉直体数据生成 |
| 4.3 基于圆柱体模型的血管精确分割 |
| 4.3.1 冠状动脉血管的图像特点 |
| 4.3.2 冠状动脉血管的精确分割 |
| 4.3.3 实验结果与分析 |
| 4.4 本章小结 |
| 第五章 冠状动脉曲面重建可视化方法研究 |
| 5.1 引言 |
| 5.2 曲面重建算法概述 |
| 5.3 延展CPR |
| 5.3.1 延展CPR的原理 |
| 5.3.2 延展CPR的实现方法 |
| 5.4 拉直CPR |
| 5.4.1 拉直CPR的基本原理 |
| 5.4.2 拉直CPR的实现 |
| 5.5 球面CPR |
| 5.5.1 球面CPR的原理 |
| 5.5.2 球面CPR的实现 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 研究总结 |
| 6.2 研究展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（8）超声成像测井图像增强和复原方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国内外声成像测井仪器的发展现状 |
| 1.2.2 国内外成像测井处理软件的研究现状 |
| 1.2.3 图像增强算法研究现状 |
| 1.2.4 图像复原算法研究现状 |
| 1.2.5 存在的问题 |
| 1.3 论文研究工作 |
| 1.3.1 研究内容 |
| 1.3.2 研究方法 |
| 1.4 论文结构安排 |
| 第2章 超声测井图像成像基本原理及处理方法 |
| 2.1 引言 |
| 2.2 超声成像测井仪器及原理 |
| 2.2.1 超声成像测井仪器组成 |
| 2.2.2 声波测量数据成像过程 |
| 2.2.3 超声测井成像质量影响因素 |
| 2.3 室内超声成像实验装置构建 |
| 2.3.1 超声成像装置组成与功能 |
| 2.3.2 超声成像装置硬件设计 |
| 2.3.3 超声成像装置软件设计 |
| 2.3.4 标准模型制作 |
| 2.4 图像增强方法 |
| 2.4.1 基于直方图均衡的图像增强算法 |
| 2.4.2 小波变换图像增强算法 |
| 2.4.3 基于图像融合的图像增强算法 |
| 2.4.4 基于色彩恒常性理论的Retinex算法 |
| 2.5 图像复原方法 |
| 2.5.1 图像退化模型及复原 |
| 2.5.2 图像非盲复原方法 |
| 2.5.3 图像盲复原方法 |
| 2.6 图像质量评价方法 |
| 2.6.1 图像质量的主观评价 |
| 2.6.2 图像质量的客观评价 |
| 2.7 本章总结 |
| 第3章 基于CLAHE和幂次变换的超声测井图像增强 |
| 3.1 引言 |
| 3.2 局部直方图均衡 |
| 3.2.1 子块重叠的直方图均衡算法(BOHE) |
| 3.2.2 子块不重叠直方图均衡化(NOBHE) |
| 3.2.3 子块部分重叠直方图均衡化(POSHE) |
| 3.3 基于CLAHE和幂次变换的超声测井图像增强 |
| 3.3.1 算法原理 |
| 3.3.2 颜色模型转换 |
| 3.3.3 CLAHE算法原理 |
| 3.3.4 幂次变换 |
| 3.4 参数及性能分析 |
| 3.4.1 子块数量的影响 |
| 3.4.2 剪切阈值的影响 |
| 3.4.3 幂次参数的影响 |
| 3.5 实验结果及分析 |
| 3.5.1 实验室超声成像增强结果 |
| 3.5.2 模型井实验结果 |
| 3.5.3 现场超声测井图像实验结果 |
| 3.5.4 客观评价 |
| 3.6 本章小结 |
| 第4章 基于POSHE最优剪切限制的超声测井图像增强 |
| 4.1 引言 |
| 4.2 子块部分重叠的直方图均衡算法 |
| 4.2.1 POSHEOC原理及框图 |
| 4.2.2 POSHE算法流程 |
| 4.2.3 子块大小和移动步长的影响 |
| 4.2.4 剪切阈值的影响 |
| 4.2.5 对比度和过增强分析 |
| 4.2.6 最优剪切策略 |
| 4.3 实验结果与分析 |
| 4.3.1 模型井实验 |
| 4.3.2 现场超声测井图像实验结果 |
| 4.3.3 客观评价 |
| 4.4 本章小结 |
| 第5章 基于点扩展函数估计的超声测井图像复原 |
| 5.1 引言 |
| 5.2 超声测井图像退化模型 |
| 5.3 超声测井图像复原模型 |
| 5.4 点扩展函数的估计方法 |
| 5.4.1 图像观察估计法 |
| 5.4.2 试验估计法 |
| 5.4.3 模型估计法 |
| 5.5 .基于APEX点扩展函数估计的最佳K值维纳滤波测井图像复原 |
| 5.5.1 点扩展函数的模型估计 |
| 5.5.2 基于APEX的点扩展函数参数的估计 |
| 5.5.3 改进APEX算法的超声测井图像退化模型参数估计 |
| 5.5.4 改进维纳滤波测井图像复原 |
| 5.6 实验结果与分析 |
| 5.6.1 计算机模拟图像复原结果 |
| 5.6.2 实验室超声图像复原结果 |
| 5.6.3 模型井超声图像复原结果 |
| 5.6.4 现场超声测井图像复原结果 |
| 5.7 客观评价 |
| 5.8 本章小结 |
| 第6章 全文总结与工作展望 |
| 6.1 论文主要工作 |
| 6.2 本文的创新点 |
| 6.3 今后工作展望 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间所发表的学术论文 |
| 个人简历 |
（9）基于超声成像监测HIFU治疗组织损伤的方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景与选题意义 |
| 1.2 HIFU治疗的基本原理 |
| 1.3 超声成像的基本原理 |
| 1.4 HIFU技术发展及现状 |
| 1.5 研究目标和主要内容 |
| 1.5.1 研究目标 |
| 1.5.2 主要内容 |
| 第2章 超声图像采集与预处理 |
| 2.1 超声图像采集 |
| 2.1.1 实验系统 |
| 2.1.2 实验方法 |
| 2.2 超声图像预处理 |
| 2.2.1 超声图像去噪 |
| 2.2.2 超声图像灰度化 |
| 2.2.3 感兴趣区域截取 |
| 2.3 本章小结 |
| 第3章 焦域处超声图像的特征参数提取与分析 |
| 3.1 HIFU焦域处超声图像 |
| 3.2 FCM聚类基本原理 |
| 3.3 传统特征参数聚类分析 |
| 3.3.1 灰度均值 |
| 3.3.2 图像信息熵 |
| 3.4 基于灰度-梯度共生矩阵的聚类分析 |
| 3.4.1 灰度-梯度共生矩阵 |
| 3.4.2 特征参数阈值区间 |
| 3.4.3 FCM聚类分析 |
| 3.5 本章小结 |
| 第4章 HIFU组织损伤区域检测与识别 |
| 4.1 实验数据处理与算法框架 |
| 4.1.1 实验数据处理 |
| 4.1.2 算法框架 |
| 4.2 SVM算法原理 |
| 4.3 HIFU组织损伤区域检测 |
| 4.3.1 组织边缘轮廓确定 |
| 4.3.2 HIFU损伤检测 |
| 4.4 HIFU组织损伤区域识别 |
| 4.5 实验结果分析 |
| 4.6 本章小结 |
| 第5章 基于水平集的HIFU组织损伤区域分割 |
| 5.1 水平集方法理论 |
| 5.2 基于LBF模型的组织损伤区域分割 |
| 5.2.1 LBF模型 |
| 5.2.2 HIFU组织损伤区域分割 |
| 5.3 基于LGDF活动轮廓模型的图像分割 |
| 5.3.1 LGDF活动轮廓模型 |
| 5.3.2 HIFU组织损伤区域分割 |
| 5.4 实验结果分析 |
| 5.5 本章小结 |
| 总结与展望 |
| 1 总结 |
| 2 展望 |
| 参考文献 |
| 附录 (攻读学位期间发表的论文) |
| 致谢 |
（10）基于超声图像分割的脑白质损伤融合分类算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 课题来源 |
| 1.2 课题研究的目的及意义 |
| 1.3 国内外发展与研究现状 |
| 1.4 研究技术路线及章节内容安排 |
| 第2章 基于深度学习的颅脑超声图像分割算法研究 |
| 2.1 基于深度学习的早产儿颅脑超声图像分割流程设计 |
| 2.2 颅脑超声图像的预处理及图像增强实现 |
| 2.2.1 数据来源及分析 |
| 2.2.2 颅脑超声图像预处理 |
| 2.2.3 颅脑超声图像扩增处理 |
| 2.3 颅脑超声图像分割网络结构设计与优化 |
| 2.3.1 残差循环U型网络结构的设计 |
| 2.3.2 防止过拟合实验分析 |
| 2.3.3 激活函数对比实验 |
| 2.3.4 损失函数算法优化 |
| 2.4 颅脑超声图像分割实验结果比较分析 |
| 2.5 本章小结 |
| 第3章 感兴趣区域特征提取和选择算法研究 |
| 3.1 颅脑超声图像特征提取设计和实现 |
| 3.1.1 颅脑超声图像特征提取设计 |
| 3.1.2 空间域特征提取 |
| 3.1.3 频域特征提取 |
| 3.1.4 纹理特征提取 |
| 3.2 特征选择算法实现和结果分析 |
| 3.3 本章小结 |
| 第4章 脑白质损伤的融合分类算法研究 |
| 4.1 脑白质损伤的分类器融合策略设计 |
| 4.2 基于boosting算法的分类器设计和实现 |
| 4.2.1 基于boosting算法的融合策略设计 |
| 4.2.2 boosting-SVM分类器算法实现 |
| 4.2.3 boosting-tree分类器算法实现 |
| 4.2.4 boosting-ELM分类器算法实现 |
| 4.3 分类器加权投票算法的实现与结果对比分析 |
| 4.4 本章小结 |
| 第5章 脑白质损伤计算机辅助诊断系统设计与实现 |
| 5.1 计算机辅助诊断系统总体模块设计 |
| 5.2 登录模块设计 |
| 5.3 脑白质损伤辅助诊断模块设计 |
| 5.3.1 超声图像预处理和病历查看模块 |
| 5.3.2 图像分割功能模块 |
| 5.3.3 特征提取功能模块 |
| 5.3.4 计算机自动诊断模块 |
| 5.4 病历填写模块设计 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 6.1 本文主要研究成果 |
| 6.2 未来工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及其他成果 |
| 一、攻读学位期间发表的论文 |
| 二、参加的科研项目 |
四、基于灰度分布特征的超声扫描图像恢复技术（论文参考文献）
- [1]计算光学成像：何来，何处，何去，何从？[J]. 左超,陈钱. 红外与激光工程, 2022
- [2]基于图像灰度确定生物组织密度及力学性能实验研究[D]. 王耀辉. 太原理工大学, 2021
- [3]多模态数据融合的颈部淋巴结智能检测方法研究与实现[D]. 高桐. 北京邮电大学, 2021(01)
- [4]复材航空构件智能检测与分析[D]. 陈杰. 四川大学, 2021(02)
- [5]自冲铆接头机械内锁区成型质量的超声无损检测方法研究[D]. 王凯伟. 昆明理工大学, 2021(01)
- [6]超声图像中的特定目标分割与图像增强技术研究[D]. 王思源. 北京邮电大学, 2021(01)
- [7]医学图像分割及可视化研究[D]. 杨官玉. 西安电子科技大学, 2020(05)
- [8]超声成像测井图像增强和复原方法研究[D]. 付青青. 长江大学, 2020
- [9]基于超声成像监测HIFU治疗组织损伤的方法研究[D]. 陈兴. 湖南师范大学, 2020(01)
- [10]基于超声图像分割的脑白质损伤融合分类算法研究[D]. 谭嘉琪. 武汉理工大学, 2020(08)