深度学习在医学图像分割中的应用研究开题报告
2020-04-13 11:42:31
1. 研究目的与意义（文献综述）
（1） 研究目的：
借助人工智能领域中的深度学习方法，训练出能够实现对医学图像中的大体肿瘤区gtv自动识别和勾画的模型，从而提高医生的读片效率和准确性，降低误诊率和漏诊率。
（2） 研究意义：
2. 研究的基本内容与方案
（1） 基本内容与目标
a) 广泛查阅资料，学习、掌握深度学习基本原理、方法基础；
b) 根据肿瘤放疗靶区勾画临床要求，搭建深度神经网络模型，选取一组基于肿瘤临床pet/ct的医学图像数据集，开展大体肿瘤区gtv自动识别和勾画深度学习研究；
3. 研究计划与安排
| 第1-3周（2.26-3.18） | 阅读相关文献，设计方法和制定技术路线 |
| 第4-5周（3.19-3.25） | 学习Python语言和相关库的使用 |
| 第6-9周（3.26-4.29） | 搭建深度学习网络结构并调试 |
| 第10周（4.30-5.6） | 对不同网络结构和参数进行分析，对准确度进行比较 |
| 第11-12周（5.7-5.20） | 完善设计成果，撰写论文 |
| 第13-14周（5.21-6.3） | 修改完善毕业论文 |
| 第15周（6.4-6.10） | 毕业设计资料完善，毕业论文答辩 |
4. 参考文献（12篇以上）
[1]ronnebergero, fischer p, brox t. u-net: convolutional networks for biomedical image segmentation[m]//medical image computing and computer-assisted intervention — miccai 2015.springer international publishing, 2015:234-241.
[2]#214;zgün#199;i#231;ek, abdulkadir a, lienkamp s s, et al. 3d u-net: learning dense volumetricsegmentation from sparse annotation[c]// international conference on medicalimage computing and computer-assisted intervention. springer, cham,2016:424-432.
[3]douq, yu l, chen h, et al. 3d deeply supervised network for automated segmentationof volumetric medical images[j]. medical image analysis, 2017, 41:40.
