论文总字数：27499字

摘 要

临床上医治由肿瘤、意外或者先天发育等引起的各种骨损伤病症时，需对病人进行外科骨骼手术，试图修复骨损伤组织并恢复骨骼的正常结构与正常功能。3D打印技术在骨损伤修复领域已得到初期的应用，利用3D打印技术的优点，可迅速制作人工骨骼，使其不规则的宏观造型及多孔的微观结构与病患能够匹配，从而解决传统的人工骨骼加工的结果存在的结构不匹配问题。医学三维模型可以帮助医生从不同的角度进行观察，从而对病灶进行诊断。

实现3D打印需要对医学数据进行三维重建，为了得到较好的三维重建效果，需要对二维原始医学图像数据进行分割得到骨骼区域。

本文利用深度神经网络对医学图像进行骨骼分割，利用有限的图像数据信息将胸部图像中的肋骨与脊柱标识并提取出来并用于后续的单元重建。医学图像的三维重建需要借助深度学习得到的医学分割结果，本文中通过面绘制方法对分割结果进行三维重建，得到脊柱与肋骨的完整的骨骼模型，并利用三维打印将重建结果打印出来。

关键词：深度学习，医学图像，三维重建，图像分割，3D打印

Abstract

When clinically treating various bone injury conditions caused by tumors, accidents or congenital development, patients need to undergo surgical skeletal surgery in order to repair the damaged bone tissue and restore the normal structure and function of the bone. 3D printing technology has been used in the field of bone repair in the early stage. With the advantages of 3D printing technology, artificial bones can be quickly produced, and the irregular macroscopic shape and porous microstructure can be matched with patients to solve the problem of structural mismatch in the results of traditional artificial bone processing.The medical three-dimensional model can help doctors observe from different angles to diagnose the lesion.

To achieve 3D printing, three-dimensional reconstruction of medical data is required. In order to obtain a better three-dimensional reconstruction effect, it is necessary to segment the two-dimensional original medical image data to obtain a bone region.

In this thesis, the deep learning method is used to segment the CT image, and the ribs and spine in the chest image are identified and extracted by the limited image data information and used for subsequent unit reconstruction. The three-dimensional reconstruction of medical images requires the medical segmentation results obtained by deep learning. In this thesis, the segmentation results are reconstructed in three dimensions by the surface rendering method, and the complete skeleton model of the spine and ribs is obtained, and the reconstruction results are printed by three-dimensional printing.

KEY WORDS: Deep learning, Medical images, 3D printing, Three dimensional reconstruction

目 录

摘 要 I

Abstract II

目 录 III

第一章 绪论 1

1.1研究背景 1

1.2基于深度学习的医学图像处理发展现状 2

1.3本文的研究目的与研究内容 4

1.3.1研究目的 4

1.3.2研究内容 4

第二章 深度学习模型下的骨骼分割 5

2.1图像分割简介 5

2.2卷积神经网络（CNN） 5

2.2.1卷积层 5

2.2.2线性整流层 6

2.2.3池化层 7

2.2.4全连接层 7

2.2.5经典CNN网络-VGG 7

2.3 PSPNet介绍 9

2.3.1传统网络在复杂场景下的问题 9

2.3.2金字塔池化模块 9

2.3.3网络结构 10

2.4 HED介绍 11

2.4.1多尺度多层级学习 11

2.4.2网络结构 12

2.5 PSPNet与HED结合 13

第三章 三维重建与3D打印 15

3.1三维重建 15

3.1.1 DICOM标准 15

3.1.2预处理 16

3.1.3基于CT图像三维重建方法 18

3.2 3D打印 19

3.2.1 STL文件格式 20

3.2.2三维重建到STL文件 20

第四章 实验过程与结果分析 21

4.1骨骼提取到3D打印总体流程 21

4.1.1数据采集 21

4.1.2骨骼提取 21

4.1.3三维重建 21

4.1.4 3D打印 23

4.2 UI界面实现 24

4.3实验环境与数据 25

4.4基于深度学习的骨骼分割结果分析 26

4.4.1模型性能度量 26

4.4.2模型性能与分割结果 27

4.4.3不同网络结果对比 28

第五章 总结与展望 31

参考文献 32

致 谢 34

第一章 绪论

1.1研究背景

随着医学影像设备的迅速发展与普及，医学成像技术逐渐成为医疗机构开展临床诊疗与病理学研究的重要辅助工具。常见的医学成像技术包括电子计算机断层扫描技术(CT)、核磁共振扫描技术(MRI)、正电子断层造影技术(PET)等^[1]。医学影像分割技术是医学图像处理与图像分析领域的关键步骤之一，其目的是将医学图像中感兴趣的部位进行分割并且提取相关有用的特征，为疾病诊断、手术计划制定以及病理学方向的理论研究提供可靠的依据，辅助医生为病人做出更准确的诊断。由于医学图像与一般的图像相比具有较高的复杂性以及受各种杂质的影响，缺少较为简单的可量化的线性特征，因此从医学图像中自动分割目标区域是比较困难的。

目前传统的医学图像分割算法主要是基于阈值特性分割以及基于区域特性分割等。阈值分割是最常见的直接检测目标区域的分割方法，阈值分割需要选取阈值将图像简单的分为背景部分与目标部分，可能会存在多个目标区域，那就需要对各个区域进行标记得到最终结果。区域分割的效果取决于阈值的选择，相对于其他分割方法，阈值分割的速度较快、计算简单、效率高。但是这种方法没有充分考虑空间特性，只关注像素的灰度特征，对于噪声图像效果不够理想。

剩余内容已隐藏，请支付后下载全文，论文总字数：27499字