目录

前言

课题背景和意义

实现技术思路

一、 算法理论基础

1.1 Snake模型 

1.2 几何约束 

1.3 切片重组

二、 数据集

三、实验及结果分析

最后

---

前言

    大四是整个大学期间最忙碌的时光,一边要忙着备考或实习为毕业后面临的就业升学做准备,一边要为毕业设计耗费大量精力。近几年各个学校要求的毕设项目越来越难,有不少课题是研究生级别难度的,对本科同学来说是充满挑战。为帮助大家顺利通过和节省时间与精力投入到更重要的就业和考试中去,学长分享优质的选题经验和毕设项目与技术思路。

对毕设有任何疑问都可以问学长哦!

    选题指导:

        最新最全计算机专业毕设选题精选推荐汇总

        大家好,这里是海浪学长毕设专题,本次分享的课题是

       基于机器学习的舌头分割系统

课题背景和意义

       在口腔医学和中医诊断中，舌头分割系统可以帮助医生准确地分割舌头区域，提取舌头的形态和颜色信息，辅助疾病的诊断和治疗。此外，该系统还可以在口腔病研究和药物研发中发挥作用，提供定量的舌头图像数据，支持统计分析和模式识别。

实现技术思路

一、 算法理论基础

1.1 Snake模型 

       在医学图像中，许多物体（例如器官）具有相似的强度，这导致传统的分割方法在分割过程中容易将相邻的物体混合在一起。例如，在分割MRI图像中的舌头时，往往会将其与会厌、上颚等组织混淆在一起，而我们只想得到舌头的分割结果。因此，如何进行选择性的分割成为我们经常需要考虑的问题。

1.2 几何约束 

       分割整个图像中的四个对象是相当容易的，但单独获取其中一个对象则较为困难。这是因为四个对象的像素强度几乎相同，无法凭借像素强度的差异进行简单的分割。选择性分割的任务就是在给定额外信息的情况下，仅检测其中一个对象。青色方框表示集合A中的初始点，即几何约束，红色轮廓表示最终的分割结果。可以明显看出，只有矩形被选择性地分割出来，活动轮廓没有扩展到其他三个目标对象，这充分说明了几何约束的可行性和必要性。针对医学图像中物体相似强度的特点，选择性分割成为一项重要任务。通过考虑几何约束和利用附近的给定点列表，可以在给定额外信息的情况下实现选择性分割，从而有效地分割出我们感兴趣的对象。

1.3 切片重组

       3D Med旨在为临床医生、科研教学人员等最终用户提供集成化的医学影像应用平台。该软件可以进行不同维度的切片重组，如矢状面、横切面、冠状面，并提供前重建、分割、配准、可视化等功能。它还具有简单的医用人机交互界面，并支持核心模块与多个插件的组合，以便于研发调试和个性化定制。

总结而言,切片重组的步骤如下:

• 1)调节“工具——平面”控件的位置和角度直至满足需求。
• 2)单击“设置起始平面”按钮,若记录成功,“测量工具”的区域下方将显示“Start plane recorded”。
• 3)点击鼠标拖动小球控制点进行平移,或者直接点击“平移平面”按钮输入平移向量。
• 4)单击“设置终止平面”按钮,若记录成功,“测量工具”的区域下方将显示“Stop plane recorded”。
• 5)此时“切片重组”按钮被激活,单击该按钮弹出的对话框输入相应参数,最后“确定”便可以开始重组切片,重组后的切片组成一个新的体数据,其名称处以“_resliced”为后缀,可导出相应的的TIFF文件。

       选取了三种数据库的代表性图片，然后进行数据预处理。由于舌头只是整个MRI图像的一部分，对其进行分割没有必要涵盖脑部等组织，而只需截取舌头附近的矩形区域，即感兴趣区域ROI (region of interest)。此名词常常出现于机器视觉和图像处理中，它是从被处理的图像中以方框、圆、椭圆甚至是不规则多边形等方式勾勒出。

 相关代码示例：

def extract_tongue_roi(image_path, x, y, w, h):
    # 读取图像
    image = cv2.imread(image_path)
    
    # 截取感兴趣区域（ROI）
    roi = image[y:y+h, x:x+w]
    
    return roi

# 设置感兴趣区域的位置和大小
x = 100  # 感兴趣区域的左上角 x 坐标
y = 150  # 感兴趣区域的左上角 y 坐标
w = 200  # 感兴趣区域的宽度
h = 150  # 感兴趣区域的高度

# 提取感兴趣区域（ROI）
roi_image = extract_tongue_roi('input_image.jpg', x, y, w, h)

# 显示结果图像
cv2.imshow('ROI Image', roi_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

二、 数据集

2.1 数据集

       可以从多个渠道获取舌头图像数据，包括医学图像数据库、在线图像库、合作伙伴提供的数据等。确保数据来源广泛，包括不同的人群、不同的光照条件和不同的摄像设备。对每张图像进行标注，将舌头的轮廓或者分割结果作为标签。可以使用图像标注工具，如LabelImg、VGG Image Annotator (VIA)等，手动绘制舌头的轮廓或者使用像素级标注来生成分割掩码。确保标注准确、细致，覆盖整个舌头区域。

       对图像数据进行预处理，包括调整图像大小、裁剪舌头区域、调整亮度和对比度等操作。通过应用图像增强技术来增加数据集的多样性和鲁棒性。可以使用旋转、翻转、平移、缩放等操作来生成额外的训练样本。这样做可以增加数据集的大小，同时帮助模型更好地适应不同的光照条件和观察角度。

def preprocess_image(image_path):
    # 读取图像
    image = cv2.imread(image_path)
    
    # 调整图像大小
    resized_image = cv2.resize(image, (new_width, new_height))
    
    # 裁剪舌头区域
    cropped_image = image[y:y+h, x:x+w]
    
    # 调整亮度和对比度
    adjusted_image = cv2.convertScaleAbs(cropped_image, alpha=alpha, beta=beta)
    
    return adjusted_image

def augment_image(image):
    # 随机旋转
    angle = np.random.randint(0, 360)
    rotated_image = rotate_image(image, angle)
    
    # 随机翻转
    flipped_image = flip_image(rotated_image)
    
    # 随机平移
    translated_image = translate_image(flipped_image, dx, dy)
    
    # 随机缩放
    scaled_image = scale_image(translated_image, scale)
    
    return scaled_image

def rotate_image(image, angle):
    rows, cols, _ = image.shape
    M = cv2.getRotationMatrix2D((cols/2, rows/2), angle, 1)
    rotated_image = cv2.warpAffine(image, M, (cols, rows))
    return rotated_image

三、实验及结果分析

       为了让实验更具有说服力，除去视觉上的定性分析，仍然需要相关的定量分析，可这种度量必须基于参考标准和分割方法得到的轮廓之间的差异性来反映。关于度量的各种解释分为两种：平均距离和MSD、Dice相似参数。MSD：评估采用近似等间距点采样的两个轮廓之间的差异，即两者最近点之间的距离平均值。DSC: 比较的是轮廓所围成的区域之间的差异性，它其实是产生的候选框（candidate bound）与参考标记框（ground truth bound）的交叠率。

       如何选取参数以便最终的分割结果达到最佳往往是令人比较头疼的问题。首先是关于几何约束集合A中点的选取，点位置的不同直接会导致Snake模型初始轮廓的不同，当选取不恰当时，则会导致分割效果收效甚微。我们的设想是舌头与其他组织相连时仍能够取得好的结果，因而这些点一般会特定选取在舌头与其他组织相连或者舌头真实边界曲率变化很大的地方。红色圆圈的位置即为从三个数据库的代表性图像中选取的几何约束点。再者则是能量函数参数的选择。

       能量函数参数的选择：需要基于每个数据集的经验手动来选择初始参数设置，依次来调整参数。当某个参数调整时，其他参数是固定的。对于几何约束权重δ，起初凭借经验确定适当的值，从BNU数据库随机选择图像计算DSC的值。通过改变参数δ计算DSC显示了几何约束Snake模型的性能。

       在K均值聚类算法中，K的值并没有明确的选取准则，在实际应用中一般不会很大，这里通过枚举法设置K=4。算法的另一个限制就是它不能和任意的距离函数一起使用、不能处理非数值数据。从其框架不难看出，算法的每次迭代都要遍历所有样本，计算每个样本到所有聚类中心的距离，因此算法的时间开销相对而言较大。经过区域生长后，绿色区域表示分割后的结果。具体步骤是从舌头内部随机选取一点的灰度作为种子，将8领域内灰度相似的点并入分割后的区域，当点的位置超过图像大小后停止分割。提出的几何约束Snake模型很好的解决了传统的Snake模型不能分离舌头和下巴的问题。

 

最后

我是海浪学长,创作不易,欢迎点赞、关注、收藏。

毕设帮助，疑难解答，欢迎打扰！