基于深度卷积神经网络的脑肿瘤图像分割开题报告

全文总字数：1793字

1. 研究目的与意义

脑肿瘤是一类常见的肿瘤类疾病，发病率和死亡率极高，如果不及时治疗可能会造成视力障碍、瘫痪、甚至危及生命。

目前，脑肿瘤的临床诊断与治疗主要依据相应的医疗检查结果进行判断，其中有超过90%的信息来自于各种类型的医学影像数据。

现有医学影像数据的分析大多需要通过医生进行人工解读，耗费大量的时间和人力。

2. 国内外研究现状分析

在过去的几十年中，专门用于自动化脑肿瘤分割的出版物数量呈现出显着增长的趋势。

这一现象不仅体现了对自动脑肿瘤分割工具的需求，而且还表明该领域的研究仍在进行中。

结合多模态mri信息的脑肿瘤分割可以追溯到2001年，fletcher, et a1.利用t1, t2和pd三个模态和聚类的方法提出了一种自动脑肿瘤分割方法。

3. 研究的基本内容与计划

本课题的主要研究内容如下：1. 学习图像分割的相关算法、思想；2. 学习深度神经网络的基本思想、算法，掌握深度卷积神经网络基础模型的使用；3. 搭建一个基本的CNN模型，测试在给定数据集上的准确率；4. 针对于脑肿瘤MR图像，设计新的CNN网络结构，与基础CNN测试结果相比较；5. 优化模型，实现系统可视化；研究计划：1月17日-2月19日 查阅相关资料，初步拟定设计方案；2月20日-4月01日 实现CNN在脑肿瘤分割方面的应用；4月02日-5月02日 完善系统，可视化设计；5月03日-6月03日 论文撰写及修改、准备答辩。

4. 研究创新点

本设计与传统的脑肿瘤手动分割方式不同，将如今发展迅猛的卷积神经网络应用到脑肿瘤图像分割中来，并对于实际应用场景拟设计一种双通道级联卷积神经网络，预计相比传统自动分割方式在准确率方面能有较大的提升。