目錄

前言

課題背景和意義

實(shí)現(xiàn)技術(shù)思路

一、 算法理論基礎(chǔ)

1.1?Snake模型?

1.2 幾何約束?

1.3?切片重組

二、?數(shù)據(jù)集

三、實(shí)驗(yàn)及結(jié)果分析

最后

前言

? ? ??大四是整個(gè)大學(xué)期間最忙碌的時(shí)光,一邊要忙著備考或?qū)嵙?xí)為畢業(yè)后面臨的就業(yè)升學(xué)做準(zhǔn)備,一邊要為畢業(yè)設(shè)計(jì)耗費(fèi)大量精力。近幾年各個(gè)學(xué)校要求的畢設(shè)項(xiàng)目越來(lái)越難,有不少課題是研究生級(jí)別難度的,對(duì)本科同學(xué)來(lái)說(shuō)是充滿挑戰(zhàn)。為幫助大家順利通過(guò)和節(jié)省時(shí)間與精力投入到更重要的就業(yè)和考試中去,學(xué)長(zhǎng)分享優(yōu)質(zhì)的選題經(jīng)驗(yàn)和畢設(shè)項(xiàng)目與技術(shù)思路。

??對(duì)畢設(shè)有任何疑問(wèn)都可以問(wèn)學(xué)長(zhǎng)哦!

?? ?選題指導(dǎo):

? ? ? ? 最新最全計(jì)算機(jī)專業(yè)畢設(shè)選題精選推薦匯總

? ? ? ??大家好,這里是海浪學(xué)長(zhǎng)畢設(shè)專題,本次分享的課題是

? ? ? ???基于機(jī)器學(xué)習(xí)的舌頭分割系統(tǒng)

課題背景和意義

? ? ? ?在口腔醫(yī)學(xué)和中醫(yī)診斷中，舌頭分割系統(tǒng)可以幫助醫(yī)生準(zhǔn)確地分割舌頭區(qū)域，提取舌頭的形態(tài)和顏色信息，輔助疾病的診斷和治療。此外，該系統(tǒng)還可以在口腔病研究和藥物研發(fā)中發(fā)揮作用，提供定量的舌頭圖像數(shù)據(jù)，支持統(tǒng)計(jì)分析和模式識(shí)別。

實(shí)現(xiàn)技術(shù)思路

一、 算法理論基礎(chǔ)

1.1?Snake模型?

? ? ? ?在醫(yī)學(xué)圖像中，許多物體（例如器官）具有相似的強(qiáng)度，這導(dǎo)致傳統(tǒng)的分割方法在分割過(guò)程中容易將相鄰的物體混合在一起。例如，在分割MRI圖像中的舌頭時(shí)，往往會(huì)將其與會(huì)厭、上顎等組織混淆在一起，而我們只想得到舌頭的分割結(jié)果。因此，如何進(jìn)行選擇性的分割成為我們經(jīng)常需要考慮的問(wèn)題。

1.2 幾何約束?

? ? ? ?分割整個(gè)圖像中的四個(gè)對(duì)象是相當(dāng)容易的，但單獨(dú)獲取其中一個(gè)對(duì)象則較為困難。這是因?yàn)樗膫€(gè)對(duì)象的像素強(qiáng)度幾乎相同，無(wú)法憑借像素強(qiáng)度的差異進(jìn)行簡(jiǎn)單的分割。選擇性分割的任務(wù)就是在給定額外信息的情況下，僅檢測(cè)其中一個(gè)對(duì)象。青色方框表示集合A中的初始點(diǎn)，即幾何約束，紅色輪廓表示最終的分割結(jié)果?？梢悦黠@看出，只有矩形被選擇性地分割出來(lái)，活動(dòng)輪廓沒(méi)有擴(kuò)展到其他三個(gè)目標(biāo)對(duì)象，這充分說(shuō)明了幾何約束的可行性和必要性。針對(duì)醫(yī)學(xué)圖像中物體相似強(qiáng)度的特點(diǎn)，選擇性分割成為一項(xiàng)重要任務(wù)。通過(guò)考慮幾何約束和利用附近的給定點(diǎn)列表，可以在給定額外信息的情況下實(shí)現(xiàn)選擇性分割，從而有效地分割出我們感興趣的對(duì)象。

1.3?切片重組

? ? ? ?3D Med旨在為臨床醫(yī)生、科研教學(xué)人員等最終用戶提供集成化的醫(yī)學(xué)影像應(yīng)用平臺(tái)。該軟件可以進(jìn)行不同維度的切片重組，如矢狀面、橫切面、冠狀面，并提供前重建、分割、配準(zhǔn)、可視化等功能。它還具有簡(jiǎn)單的醫(yī)用人機(jī)交互界面，并支持核心模塊與多個(gè)插件的組合，以便于研發(fā)調(diào)試和個(gè)性化定制。

總結(jié)而言,切片重組的步驟如下:

• 1)調(diào)節(jié)“工具——平面”控件的位置和角度直至滿足需求。
• 2)單擊“設(shè)置起始平面”按鈕,若記錄成功,“測(cè)量工具”的區(qū)域下方將顯示“Start plane recorded”。
• 3)點(diǎn)擊鼠標(biāo)拖動(dòng)小球控制點(diǎn)進(jìn)行平移,或者直接點(diǎn)擊“平移平面”按鈕輸入平移向量。
• 4)單擊“設(shè)置終止平面”按鈕,若記錄成功,“測(cè)量工具”的區(qū)域下方將顯示“Stop plane recorded”。
• 5)此時(shí)“切片重組”按鈕被激活,單擊該按鈕彈出的對(duì)話框輸入相應(yīng)參數(shù),最后“確定”便可以開(kāi)始重組切片,重組后的切片組成一個(gè)新的體數(shù)據(jù),其名稱處以“_resliced”為后綴,可導(dǎo)出相應(yīng)的的TIFF文件。

? ? ? ?選取了三種數(shù)據(jù)庫(kù)的代表性圖片，然后進(jìn)行數(shù)據(jù)預(yù)處理。由于舌頭只是整個(gè)MRI圖像的一部分，對(duì)其進(jìn)行分割沒(méi)有必要涵蓋腦部等組織，而只需截取舌頭附近的矩形區(qū)域，即感興趣區(qū)域ROI (region of interest)。此名詞常常出現(xiàn)于機(jī)器視覺(jué)和圖像處理中，它是從被處理的圖像中以方框、圓、橢圓甚至是不規(guī)則多邊形等方式勾勒出。

?相關(guān)代碼示例：

def extract_tongue_roi(image_path, x, y, w, h):
    # 讀取圖像
    image = cv2.imread(image_path)
    
    # 截取感興趣區(qū)域（ROI）
    roi = image[y:y+h, x:x+w]
    
    return roi

# 設(shè)置感興趣區(qū)域的位置和大小
x = 100  # 感興趣區(qū)域的左上角 x 坐標(biāo)
y = 150  # 感興趣區(qū)域的左上角 y 坐標(biāo)
w = 200  # 感興趣區(qū)域的寬度
h = 150  # 感興趣區(qū)域的高度

# 提取感興趣區(qū)域（ROI）
roi_image = extract_tongue_roi('input_image.jpg', x, y, w, h)

# 顯示結(jié)果圖像
cv2.imshow('ROI Image', roi_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

二、?數(shù)據(jù)集

2.1 數(shù)據(jù)集

? ? ? ?可以從多個(gè)渠道獲取舌頭圖像數(shù)據(jù)，包括醫(yī)學(xué)圖像數(shù)據(jù)庫(kù)、在線圖像庫(kù)、合作伙伴提供的數(shù)據(jù)等。確保數(shù)據(jù)來(lái)源廣泛，包括不同的人群、不同的光照條件和不同的攝像設(shè)備。對(duì)每張圖像進(jìn)行標(biāo)注，將舌頭的輪廓或者分割結(jié)果作為標(biāo)簽。可以使用圖像標(biāo)注工具，如LabelImg、VGG Image Annotator (VIA)等，手動(dòng)繪制舌頭的輪廓或者使用像素級(jí)標(biāo)注來(lái)生成分割掩碼。確保標(biāo)注準(zhǔn)確、細(xì)致，覆蓋整個(gè)舌頭區(qū)域。

? ? ? ?對(duì)圖像數(shù)據(jù)進(jìn)行預(yù)處理，包括調(diào)整圖像大小、裁剪舌頭區(qū)域、調(diào)整亮度和對(duì)比度等操作。通過(guò)應(yīng)用圖像增強(qiáng)技術(shù)來(lái)增加數(shù)據(jù)集的多樣性和魯棒性?？梢允褂眯D(zhuǎn)、翻轉(zhuǎn)、平移、縮放等操作來(lái)生成額外的訓(xùn)練樣本。這樣做可以增加數(shù)據(jù)集的大小，同時(shí)幫助模型更好地適應(yīng)不同的光照條件和觀察角度。

def preprocess_image(image_path):
    # 讀取圖像
    image = cv2.imread(image_path)
    
    # 調(diào)整圖像大小
    resized_image = cv2.resize(image, (new_width, new_height))
    
    # 裁剪舌頭區(qū)域
    cropped_image = image[y:y+h, x:x+w]
    
    # 調(diào)整亮度和對(duì)比度
    adjusted_image = cv2.convertScaleAbs(cropped_image, alpha=alpha, beta=beta)
    
    return adjusted_image

def augment_image(image):
    # 隨機(jī)旋轉(zhuǎn)
    angle = np.random.randint(0, 360)
    rotated_image = rotate_image(image, angle)
    
    # 隨機(jī)翻轉(zhuǎn)
    flipped_image = flip_image(rotated_image)
    
    # 隨機(jī)平移
    translated_image = translate_image(flipped_image, dx, dy)
    
    # 隨機(jī)縮放
    scaled_image = scale_image(translated_image, scale)
    
    return scaled_image

def rotate_image(image, angle):
    rows, cols, _ = image.shape
    M = cv2.getRotationMatrix2D((cols/2, rows/2), angle, 1)
    rotated_image = cv2.warpAffine(image, M, (cols, rows))
    return rotated_image

三、實(shí)驗(yàn)及結(jié)果分析

? ? ? ?為了讓實(shí)驗(yàn)更具有說(shuō)服力，除去視覺(jué)上的定性分析，仍然需要相關(guān)的定量分析，可這種度量必須基于參考標(biāo)準(zhǔn)和分割方法得到的輪廓之間的差異性來(lái)反映。關(guān)于度量的各種解釋分為兩種：平均距離和MSD、Dice相似參數(shù)。MSD：評(píng)估采用近似等間距點(diǎn)采樣的兩個(gè)輪廓之間的差異，即兩者最近點(diǎn)之間的距離平均值。DSC: 比較的是輪廓所圍成的區(qū)域之間的差異性，它其實(shí)是產(chǎn)生的候選框（candidate bound）與參考標(biāo)記框（ground truth bound）的交疊率。

? ? ? ?如何選取參數(shù)以便最終的分割結(jié)果達(dá)到最佳往往是令人比較頭疼的問(wèn)題。首先是關(guān)于幾何約束集合A中點(diǎn)的選取，點(diǎn)位置的不同直接會(huì)導(dǎo)致Snake模型初始輪廓的不同，當(dāng)選取不恰當(dāng)時(shí)，則會(huì)導(dǎo)致分割效果收效甚微。我們的設(shè)想是舌頭與其他組織相連時(shí)仍能夠取得好的結(jié)果，因而這些點(diǎn)一般會(huì)特定選取在舌頭與其他組織相連或者舌頭真實(shí)邊界曲率變化很大的地方。紅色圓圈的位置即為從三個(gè)數(shù)據(jù)庫(kù)的代表性圖像中選取的幾何約束點(diǎn)。再者則是能量函數(shù)參數(shù)的選擇。

? ? ? ?能量函數(shù)參數(shù)的選擇：需要基于每個(gè)數(shù)據(jù)集的經(jīng)驗(yàn)手動(dòng)來(lái)選擇初始參數(shù)設(shè)置，依次來(lái)調(diào)整參數(shù)。當(dāng)某個(gè)參數(shù)調(diào)整時(shí)，其他參數(shù)是固定的。對(duì)于幾何約束權(quán)重δ，起初憑借經(jīng)驗(yàn)確定適當(dāng)?shù)闹?，從BNU數(shù)據(jù)庫(kù)隨機(jī)選擇圖像計(jì)算DSC的值。通過(guò)改變參數(shù)δ計(jì)算DSC顯示了幾何約束Snake模型的性能。

? ? ? ?在K均值聚類算法中，K的值并沒(méi)有明確的選取準(zhǔn)則，在實(shí)際應(yīng)用中一般不會(huì)很大，這里通過(guò)枚舉法設(shè)置K=4。算法的另一個(gè)限制就是它不能和任意的距離函數(shù)一起使用、不能處理非數(shù)值數(shù)據(jù)。從其框架不難看出，算法的每次迭代都要遍歷所有樣本，計(jì)算每個(gè)樣本到所有聚類中心的距離，因此算法的時(shí)間開(kāi)銷相對(duì)而言較大。經(jīng)過(guò)區(qū)域生長(zhǎng)后，綠色區(qū)域表示分割后的結(jié)果。具體步驟是從舌頭內(nèi)部隨機(jī)選取一點(diǎn)的灰度作為種子，將8領(lǐng)域內(nèi)灰度相似的點(diǎn)并入分割后的區(qū)域，當(dāng)點(diǎn)的位置超過(guò)圖像大小后停止分割。提出的幾何約束Snake模型很好的解決了傳統(tǒng)的Snake模型不能分離舌頭和下巴的問(wèn)題。

?

最后

我是海浪學(xué)長(zhǎng),創(chuàng)作不易,歡迎點(diǎn)贊、關(guān)注、收藏。

畢設(shè)幫助，疑難解答，歡迎打擾！文章來(lái)源地址http://www.zghlxwxcb.cn/news/detail-827652.html

到了這里，關(guān)于畢業(yè)設(shè)計(jì)選題：基于深度學(xué)習(xí)的舌頭分割系統(tǒng) 人工智能 YOLO 計(jì)算機(jī)視覺(jué)的文章就介紹完了。如果您還想了解更多內(nèi)容，請(qǐng)?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！