论文部分内容阅读
近年来生物3D打印促进了组织工程、药物筛选等技术的快速发展,可以实现组织、器官的体外构建。原位皮肤3D打印技术的兴起为缺损皮肤的仿生精准修复提供了新技术,并且全自动原位皮肤3D打印成为未来发展的趋势。全自动原位皮肤3D打印需要精确检测出缺损皮肤的位置,判断受损类型,然后实现全自动一体化切除、打印、修复等功能。因此,自动化导航技术是全自动原位皮肤3D打印至关重要的一步。要实现原位皮肤3D打印自动化导航首先需要精确地分割出缺损皮肤区域。然而,针对原位皮肤3D打印中缺损皮肤分割问题研究相对较少,经典医学图像分割算法对皮肤图像噪声和毛发等干扰分割效果不佳,因此难以解决原位皮肤3D打印中面临的缺损皮肤分割的实际工程问题。近年来随着深度学习的发展,其在图像分割问题中取得了比传统方法更好的效果。针对传统分割算法在缺损皮肤图像分割上的不足,本文首次提出一种基于Dense U-Net的缺损皮肤分割算法并将其应用在原位皮肤3D打印导航技术任务中,提高了图像分割的精度,增强了算法抗干扰能力。1)首先,进行了缺损皮肤图像降噪和数据增强方面的研究。针对原位皮肤3D打印场景中的缺损皮肤图像通常会受到毛发、黑框、气泡等噪声干扰,提出了一种缺损皮肤图像降噪方法。在缺损皮肤分割的工程实现中,难以获得海量的缺损皮肤图像并对其进行像素级别的标注,因此该方案的研究重心是对缺损皮肤分割数据集数据增强的研究和实现。2)其次,本文提出基于Dense U-Net的方法来解决缺损皮肤分割问题。该算法通过将稠密卷积和全卷积神经网络进行融合,实现了端到端的分割。为了进一步提升分割结果,引入新型激活函数,采用多种防止过拟合的措施,训练阶段将迁移学习和二阶段训练相结合。实验结果表明,该算法网络层数更深、参数量更小,分割精度更高,抗过拟合性能更好。3)最后,将分割算法移植到原位皮肤3D打印导航系统。介绍了本算法实现的软件环境和实现过程,对分割算法的实现与结果进行了分析。通过对比实验结果证明,相对于传统缺损皮肤分割算法,本文算法检测分割的准确率高,实时性更好,对于毛发等噪声干扰具有很好的鲁棒性,具备很好的工程应用价值。本文较好地解决了原位皮肤3D打印自动化导航中缺损皮肤的轮廓识别问题,可以对缺损皮肤的形状、边界等进行测量,能够帮助医师制定和修改治疗方案,实现全自动化原位皮肤3D打印。