毕业答辩：基于深度学习的心脏图像分割算法研究与系统实现
研究意义
心血管疾病是全球主要的死亡原因之一，医学影像分析在心血管疾病的诊断中起着关键作用。心脏图像分割是医学影像分析的重要步骤，但传统的手动分割方法耗时且易受主观因素影响。自动化的心脏图像分割系统可以提高分割效率，减少人为误差，辅助医生进行更准确的诊断。
研究现状
国内外研究主要集中在网络结构和数据增强方法的改进上。U-Net及其变体（如U-Net++、V-Net、U-Net3+等）在医学图像分割中广泛应用，基于Transformer的视觉模型（如Vision Transformer、DA-TransUNet等）也取得了显著进展。数据增强方法包括传统数据增强、迁移学习和生成对抗网络（GAN），但这些方法在处理医学图像时仍存在局限性。
研究方法
本文提出了一种基于生成对抗网络的数据增强方法和边缘感知的心脏分割算法。通过循环一致性生成对抗网络（CycleGAN）进行数据增强，解决了医学影像数据稀缺的问题。通过添加额外边缘任务和设计基于注意力的特征融合模块，提高了模型对心脏结构边缘的分割精度。损失函数结合了交叉熵损失和Dice损失，优化了模型训练。
实验结果
在MM-WHS 2017数据集上的实验表明，本文提出的方法在多个心脏结构的分割任务中表现出色，Dice系数显著提升，尤其是在边缘区域的感知能力上表现优异。通过消融实验验证了数据增强、边缘任务和特征融合模块的有效性。
