基于医学MRI图像的脑部垂体瘤分割任务书_3

本科生毕业设计（论文）任务书
基于医学MRI图像的脑部垂体瘤分割题目名称
学院
专业班级
姓名
学号
指导老师
一、毕业设计（论文）的内容与要求
（课题内容应明确、详细，难度适中、工作量饱满；强调通过文献研究，找出多个解决方案并进行多方案对比；强调解决复杂工程问题；强调对现代工具的使用及局限性分析，强调对实验结果分析等；明确应用工程管理原理和经济决策方法，分析和评价解决方案对社会、健康、安全、法律以及文化的影响）脑肿瘤是威胁人类生命安全的常见肿瘤之一，据统计资料表明，中国已是脑肿瘤发病人数和死亡人数的世界第一。

垂体瘤是一组从垂体前叶和后叶及颅咽管上皮残余细胞发生的肿瘤，临床上有明显症状者约占颅内肿瘤的10%，通常发生于青壮年时期，常常会影响患者的生长发育、生育功能、学习和工作能力，是人类常见的重大疾病之一，其高发率和致死率不得不引起人们的重视，而对脑部肿瘤病灶区域的分割对医生的精确诊断和精准治疗都至关重要。

然而，由于脑部组织结构复杂以及医学成像设备的干扰，常常会出现噪声、边缘不明显等问题，因此，如何准确地对病灶区域进行分割依旧是一个难点和挑战，如何提高分割的精度已成为热门的话题。

图像分割的目标是将一幅图像分成一组语义上有意义的、同质的、不重叠的区域，这些区域具有相似的属性，如强度、深度、颜色或纹理。

分割结果要么是识别每个均匀区域的标签图像，要么是一组描述区域边界的轮廓线。

MRI（Magnetic Resonance Imaging），也就是磁共振成像，是断层成像的一种，是利用磁共振现象从人体中获得电磁信号，并重建出人体信息。

MRI不会产生辐射，可以得到任何方向的断层图像，且其采集参数可以调整，以给出不同组织和不同类型神经病理学的不同灰度，与计算机断层扫描（CT）相比，MRI图像具有更好的对比度。

因此，脑部医学图像分割的研究大多采用MRI图像，是
高对比度大脑图像的常用方法。

本课题设计旨在实现医学MR I图像的脑部垂体瘤分割。

具体任务为：（1）完成基于Visual Studio平台的opencv、ITK库、VTK库的环境配置，基于C++语言实现对医学二维MR图像进行简单的读取、处理、显示和保存操作
（2）利用ITK库对MRI脑部垂体瘤图像进行分割预处理。

可采用常规的阈值、区域生长、滤波降噪、图像增强、形态学处理等方法，实现二维图像的一个预处理。

（3）利用ITK库中常用的图像分割方法（如区域生长、分水岭、水平集等）实现垂体瘤的二维及三维分割（三维指对整个MR系列进行的分割，可在处理前将二维MR系列生成三维mha或nii三维文件格式作为输入），分割结果以二维或三维二值图像输出
提高部分：
（1）找到一种合适的分割方法（或多种方法混合）使分割结果肉眼对比基本正确，且能够拥有明显的垂体瘤边界线
（2）能够通过VTK构建一个可视化界面平台，对垂体瘤三维分割过程进行输入三维读取与输出三维显示
二、毕业设计（论文）应完成的工作
（文献研究，方案比较，解决方案对社会等其他领域的影响分析，深入原理，现代工具使用及局限，方案实施，结果分析，本课题工程经济、管理、伦理方面的考虑。

）
（1）文献研究：
调研国内外关于基于医学MR I图像的脑部垂体瘤分割相关文献，了解相关领域专家学者对脑部垂体瘤分割实现的最新研究成果。

（2）方案比较分析：
目前，可以用于医学MR I图像的脑部垂体瘤分割的方案主要有Matlab、和基于Visual Studio的ITK平台
（3）解决方案对社会等其他领域的影响分析：
近年来，肿瘤的高发病率和高死亡率对人类健康构成了巨大威胁，据统计，临床患者中非侵入型病变的患者预期寿命为几年，而侵入型病变的患者的预期寿命则不超过两年。

有数据表明，如果肿瘤在早期被检测到，并进行合理治疗，患者生存的可能性将会大大提高。

因此，及时精确地检测出肿瘤对肿瘤疾病的治疗
至关重要，目前，计算机辅助诊断系统（CAD）在临床医学领域发挥了重要作用，有效地帮助医生诊断身体疾病和异常，其中包括脑部肿瘤疾病。

在分析肿瘤图像时，通常使用图像处理方法来确定肿瘤的位置、大小和类型，然而，对于脑部病变区域的分割正是其中重要的一环。

（4）深入原理：
暂无。

（5）现代使用工具及局限：
本设计推荐使用Visual Studio的ITK、VTK工具，ITK包含大多传统的分割算法，VTK包含了二维和三维可视化的结构搭建，都拥有封装好的算法接口可以调用，操作相对方便。

Matlab工具也可以完成本课题，且相比会简单很多。

或者基于python的一些工具包，这个如果想通过比较前言的基于深度学习或神经网络的方法进行分割会比较方便，但这些方法都需要拥有大量的数据作为输入来进行模型训练，且对电脑配置要求比较高。

VS是Microsoft Visual Studio的简称。

VS是美国微软公司的开发工具包系列产品，是一个基本完整的开发工具集，它包括了整个软件生命周期中所需要的大部分工具，如UML工具、代码管控工具、集成开发环境(IDE)等等。

所写的目标代码适用于微软支持的所有平台，包括Microsoft Windows、Windows Mobile、Windows CE、.NET Framework、.NET Compact Framework和Microsoft Silverlight及Windows Phone。

Visual Studio是目前最流行的Windows 平台应用程序的集成开发环境。

最新版本为Visual Studio 2019版本，基于.NET Framework 4.7。

（6）方案实施：
暂无。

（7）结果分析：
暂无。

（8）课题工程经济、管理、伦理方面考虑：
三、毕业设计（论文）进程安排
四、应收集的资料及主要参考文献
任务书起始日期：2019-01-10 指导教师签名:
任务预计完成期：2019-05-30 专业负责人签章:
主管教学院长签章:
参考文献：
[1]侯东奥, 鲁宇明, 汪宇玲,等. MRI的脑部肿瘤分割及其三维重建[J]. 应用科学学报, 2018, 036(005): 808-818.
[2] 侯东奥. MRI脑部肿瘤分割及其三维重建[D].
[3]万俊, 聂生东, 王远军. 基于MRI的脑肿瘤分割技术研究进展[J]. 中国医学物理学杂志, 2013(04):42 66-4271.
[4]崔思明. 基于多模态MRI脑肿瘤图像分割算法的研究[D]. 2019.
[5]张宠. 基于混合聚类的脑部肿瘤分割算法研究[D].吉林大学,2020.
[6]滕菲. 基于卷积神经网络的脑部肿瘤MRI分割[D].山东师范大学,2019.
[7]闫凯. 基于深度学习的3DMRI脑肿瘤分割算法研究[D].中国科学院大学(中国科学院深圳先进技术研究院),2020.
[8]孔祥茂. 基于深度学习的脑部肿瘤分割算法研究与实现[D].山东大学,2019.
[9]孙浩. 基于深度学习的脑肿瘤MRI分类与分割技术研究[D].浙江大学,2020.
[10]Sunitha S, Santhoshi Sukumaran. A Review on Brain Tumor Segmentation[J]. Esrsa Publica tions, 2014.
[11]Kaur H , Sharma R . A Survey on Techniques for Brain Tumor Segmentation from Mri[J]. I osr Journal of Electronics & Communication Engineering, 2016, 11(5):1-5.
[12] Wadhwa, A., Bhardwaj, A., & Singh Verma, V. (2019). A review on brain tumor segmentatio n of MRI images. Magnetic Resonance Imaging, 61, 247–259.
[13] Gordillo, N., Montseny, E., & Sobrevilla, P. (2013). State of the art survey on MRI brain tu mor segmentation. Magnetic Resonance Imaging, 31(8), 1426–1438.
[14] Jin Liu, Min Li, Jianxin Wang, Fangxiang Wu, Tianming Liu, & Yi Pan. (2014). A survey of MRI-based brain tumor segmentation methods. Tsinghua Science and Technology, 19(6), 578–59 5.
[15] PRASTAWA, M. (2004). A brain tumor segmentation framework based on outlier detection*1. Medical Image Analysis, 8(3), 275–283.。