摘要：医学图像处理是影像学中非常重要的应用，通过深度学习技术可以对不清楚的影像图像进行精确的分割、分类。克罗恩病是发病机制未明的慢性炎性非干酪样肉芽肿性疾病，病变多为跳跃性，可包括小肠消化道的任何部位。双能量CT小肠成像（DECTE）在此疾病诊断中发挥了关键的作用，能够有效的评估病变肠管内外的情况。肠系膜上动脉血管图像分割与分级对克罗恩病的辅助诊断具有重要意义。

随着信息技术的发展，医学图像分割的技术在医学临床的应用和治疗中的重要性越来越大，血管图像的分割更是对一些疾病的诊断起到了至关重要的作用。利用卷积神经网络设计分割模型大大提高了血管分割的精度与性能。

血管分级技术领域相比于血管分割技术领域还不是很成熟，未有太多文献可以参考。本文提供一种思路，先找到血管图中的交叉点和分叉点，再通过这些点并结合血管特征标定数字间接实现血管分级。血管图像经过分级后很容易辨别CT图像的成像质量，并且通过找寻到的这些分叉点和交叉点判断某些疾病的严重程度，当然不同器官中的血管情况往往反应不同的疾病情况。

本文针对肠系膜上动脉血管分割与分级项目，围绕数字图像处理技术与深度卷积神经网络，主要完成了以下三方面的研究。

1.针对双能量CT影像特点，研究了肠系膜上动脉血管图像的特性，提出了用于血管图像对比度和亮度增强的预处理算法。

2.设计卷积分割单元和类UNet分割模型，逐层提取特征，实现低层特征的位置局部信息和高层特征的像素全局信息的结合。基于图像块操作对设计的模型进行分割实验。从定性和定量两方面分析了模型分割血管的效果。

3.对分割得到的血管图像进行血管分级实验，首先对分割结果进行骨骼化操作，然后设计两种算法进行提取交叉分叉点操作，并且对比了这两种算法，最后结合血管特征和交叉分叉点进行血管分级。

本文设计的类UNet网络，经过训练对腹部血管的分割十分高效且准确率高；本文提供的分级思路能够基本实现腹部血管的分级，这两方面对于医学图像处理与分析都有着重要的研究价值和应用价值。

关键词：肠系膜上动脉血管；图像分割；深度学习；基于图像块分割；血管分级

目 录

摘 要

Abstract

第一章 绪  论-1

1.1 研究背景及意义-1

1.1.1 血管分割的背景及意义-1

1.1.2 血管分级的背景及意义-1

1.2 国内外研究现状-2

1.2.1 血管分割的研究现状-2

1.2.2 血管分级的研究现状-3

1.3 实验数据-3

1.4 实验评价指标-5

1.5 本文的结构组织-6

第二章 理论基础和分割模型建立-8

2.1 CT图像预处理算法-8

2.1.1 直方图均衡化-8

2.1.2 伽马变换-10

2.1.3 归一化图像-11

2.2 深度学习理论知识-12

2.2.1 深度学习简介-12

2.2.2 卷积神经网络-12

2.3 TensorFlow框架-14

2.4 分割单元-15

2.5 分割模型-17

2.6 本章小结-18

第三章 基于图像块的分割实验-19

3.1 算法流程-19

3.1.1 图像预处理-19

3.1.3图像二值化-20

3.2 模型测试与分析-20

3.1.2 图像分割-23

3.3 本章小结-25

第四章 基于已分割血管图像的血管分级实验-26

4.1 算法流程-26

4.1.1 骨骼化处理-26

4.1.2 断点连接-28

4.1.3 寻找交叉点和分叉点-28

4.1.4 累加交叉点-30

4.2 分级测试与分析-31

4.3 本章小结-34

第五章 总结与展望-35

5.1 本文工作总结-35

5.2 未来展望-35

参考文献-36

致    谢-39