计算机视觉课程报告

题  目： 计算机视觉在医疗影像诊断领域应用

（图像分类、目标检测、图像分割、目标跟踪、GAN）

摘  要

    现代医疗体系中，医生执行复杂治疗过程中的每个行为步骤，都依赖于大量的快速思考和决策。计算机视觉，借助机器学习、深度学习等方法，应用专业医师的种类丰富、深度钻研的医学知识，提取医学领域的特征工程，就可以对医学数据，包括影像、传感器数据，做出高准确率的医学判断。由此，计算机视觉，成为现代医疗辅助技术的重要信息来源。本文结合当前的实际情况，简要介绍了计算机视觉的技术进展和趋势，并在此基础上详细探讨了计算机视觉在智慧医疗领域中的应用技术和领域。

关键词：

计算机视觉；智慧医疗；深度学习；卷积神经网络

 

 

目  录

第1章 研究背景与意义

第2章 研究现状

第3章 模型介绍

第4章 模型训练

第5章 实验结果

第6章 总结

参考文献

第一章 研究背景与意义

医疗影像主要有x线、计算机断层扫描（CT）和磁共振成像（MRI）等等，传统上是医生人工操作对影像进行分析，为疾病诊断给出依据。随着图像处理的发展应用，出现了计算机辅助诊断。当前，由于人工智能技术的发展，特别是深度学习的应用，人们正试图将其应用于医学影像分析，以实现智能诊断，从而提高诊断速度和诊断准确性，使病人迅速获得正确的治疗，此外还能弥补医生的不足。

人工智能在医学影像中的应用，其作用大体上可分为两个层面：一是增强成像效果，包括摄影和图像处理，提供更加能够诊断疾病的影像；二是分析诊断，利用人工智能技术对影像进行分析，从而给出诊断结论。认知以及感知等作为人工智能领域中最为重要的内容，其可以通过科学推理而感知信息，在感知当中，计算机视觉作为其重要的组成部分，其会直接影响感知结果。早在20世纪50年代，人们就开始研究计算机视觉系统，称其为计算机视觉是因为其能够像人的眼睛一样识别、理解图像。早期阶段，人们通常使用计算机来分析、辨别一些跟数学、物理等相关的学科信息。直到1960年左右，计算机渐渐就可以识别三维图像了，随着时间的推进及科学技术水平的快速发展，直至1966年计算机视觉才真正诞生，随着科技的进步，其逐渐可以识别更为复杂的图像及信息。当前，MIT人工智能实验室也已专门设立了计算机视觉学科，现阶段已有很多人开始关注、研究计算机视觉这门学科。

目标分类、定位和检测分别是指识别图像中的目标类型、确定目标所在位置，以及同时确定目标的类型和位置。过去十年，ImageNet 大规模视觉识别挑战赛（ILSVRC）是促成这些任务进步的先锋。它创建了一个由深度学习研究人员组成的大型社区，社区中的研究者相互竞争和合作以改进各种 CV 任务的技术。

2012 年，首个使用 GPU 的现代 DL 方法成为该社区发展的拐点，它预示着该领域接下来几年的显著进展，直到 2017 年 ILSVRC 竞赛举办了最后一届。值得注意的是，在此期间，分类准确率已经达到了人类级别。在医学上，这些方法的细粒度版本已成功用于许多疾病的分类和检测，

第二章 研究现状

  近年来，伴随着医学图像采集技术的显著改善，医疗设备以更快的影像帧率、更高的影像分辨率和通信技术，实时采集大量的医学影像和传感器数据。基于图像处理技术的医学影像解释方法，也迫切希望得到攻克解决。在医学图像处理中，GPU首先被引入用于分割和重建，然后用于机器学习。