基于深度学习的2D颅脑血管分割研究.docxVIP

中文摘要

随着医学影像技术的发展，高分辨率2D颅脑血管图像在脑血管疾病诊断中越来越关键。可是传统的分割方法依赖人工特征，面对复杂的血管结构和图像噪声时准确性和鲁棒性欠佳。深度学习虽然展现出优势，但目前仍存在对微小血管分割不佳、模型泛化能力不足以及网页端部署困难等问题。本研究的目的是利用深度学习技术实现高精度、高效率的2D颅脑血管分割，并将其应用于网页端，为临床诊断提供更有效的辅助工具。

研究选取了U-Net模型，引入多尺度注意力机制和空洞卷积模块对其进行了改进，增强对微小及复杂血管结构的分割能力。精心准备多样化的数据集，合理的设置训练参数，结合学习率调整策略和早停法优化模型训练，提升泛化能力。