基于目标检测的医学图像分割方法研究.pdfVIP

摘要

在医疗过程中，医生往往需要针对患者的患病部位进行拍片等操作，然后通

过CT等图像对患病部位的伤情进行分析判断，从而进行相应的治疗。在对关键

病灶部分的观察时，医生往往需要将病灶进行单独提取、分割等操作，通过这些

医疗图像辅助进行判断。

在医疗诊断中，对患者CT等医学图像进行对病灶实施快速自动识别和分割

提取可以提高医生及相关科研人员的工作效率，节省成本。因此，针对目前医学

图像分割的现实应用需求以及效率问题，进行了围绕目标检测与图像分割方面的

研究，具体工作内容如下：

（1）研究了目标检测模型在医学图像方面的应用。基于当前算法参数过多、

计算资源需求大的现状，通过ShuffleNetV2轻量化网络模型对YOLOv5s深度学

习框架进行改进，实现对医学图像中病灶的快速且精确检测。降低了原YOLOv5s

模型的规模大小，在节省了计算资源的同时保证了检测的精度和速度。在找到目

标后，自动进行分类和标记，精准找到病灶的区域范围并记录坐标信息。

（2）对GrabCut算法进行研究。对该算法的能量函数模型进行了替换优化，

避免了分割过程中的局部收敛问题，从而减少误分割。采取将目标检测得到的病

灶的坐标信息作为参数传入图像分割算法，通过GrabCut进行图像分割。

（3）根据改进的SNV2-YOLOv5s深度学习目标检测方法与GrabCut图像分割

方法的结合构建成关于医学图像的自动检测分割算法，并通过该结合思路扩展出

该目标检测算法与SAM算法、距离正则化水平集算法结合的自动检测分割算法，

构建了一个高效的医学图像自动检测与分割系统，能够在确保高精度和处理速度

的同时，显著提升医学图像的自动化处理能力，实现了计算速度与计算资源低消

耗的平衡。

本文通过私有PancreasCT数据集对算法进行试验训练，经过实验验证，本

文算法能够准确的对患者病理图进行病灶检测和自动分割，且识别精度高、分割

结果较为理想。本研究体现了深度学习与传统图像分割方法结合的优势，为医学

图像的自动化处理提供了一个有效且实用的思路。

关键词：医学图像分割，目标检测，YOLOv5，自动检测分割

ABSTRACT

Inthemedicalprocess,doctorsoftenneedtotakeradiographsandotheroperations

fortheaffectedpartsofpatients,andthenanalyzeandjudgetheinjuryoftheaffected

partsthroughCTandotherimages,soastocarryoutcorrespondingtreatment.When

observingthekeylesionparts,doctorsoftenneedtoextractandsegmentthelesions

separately,andusethesemedicalimagestoassistinjudgment.

Inmedicaldiagnosis,therapidautomaticidentificationandsegmentation

extractionoflesionsfrommedicalimagessuchasCTscanscanimprovetheefficiency

ofdoctorsandrelatedresearchersandsavecosts.Therefore,thisthesisfocusesonthe

practicalapplicationrequirementsandefficiencyissuesofmedicalimagesegmentation,

andconductsresearchonobjectdetectionandimagesegmentation.Thespecificwork

contentisasfollows:

(1)St