一、选题背景和意义：
在图卷积神经网络（GCN）还未成熟之前，3d医学影像分割常通过卷积神经网络实现，目前比较流行的3d医学影像分割框架是v-net网络。它采用端到端的训练方式，包含一个新式的目标函数用于训练时进行优化使用。同时能很好的处理背景和非背景之间的强烈不平衡问题。为了解决数据量有限的问题，使用了非线性变换和直方图匹配的方式来进行数据增强。
目前图卷积神经网络是学术界研究的热门话题，并且图卷积神经网络在各个方面取得了显著的成绩，比如在论文引用数据集citeseer、血管分割DRIU、RGBD语义分割上相对传统的算法都有明显的精度提高。正如Graph Neural Networks: A Review of Methods and Applications论文里所说“图神经网络是连接主义与符号主义的有机结合，不仅使深度学习模型能够应用在图这种非欧几里德结构上，还为深度学习模型赋予了一定的因果推理能力。”
而3d医学影像内部的数据具有很强的关联性，各个器官和组织具有很强的特征，我们也可以利用图卷积神经网络的特性，将其用于3d医学图像的分割上，虽然目前有很多的3d医学图像分割算法，比如SLIC、V-net等等，但是在结果上不是特别满意。将GCN运用到这个领域，便于医生可以快速精确地查看并判断人体结构上的细微问题，在提高医生的诊断效率都有很大帮助，尤其在目前疫情特殊时期，3d医学图像分割技术依旧有着不可忽视的作用，对于我国的医学领域的研究提供有意义的办法。
二、课题关键问题及难点：
1.获取有价值的3d医学影像数据集CT、MR，并且对图像进行标注，对提高模型的学习率以及识别精度都有非常重要的意义，同时这也是一项非常费时费力的工程。
2.获取到有价值的数据集后，需要对影像进行预处理，因为3d医学影像是三维的矩阵，数据信息量丰富，我们需要考虑怎么将影像进行降维，并且保证数据的特征信息不受影响。比如使用slic算法，提取超体素作为处理单位，可以大大减少表示该网络需要的参数，提高网络的时间和空间效率。
3.将预处理的数据集进行节点表示，构建邻接矩阵的图和边的关系，将格式规范化，提取其中隐含的特征，为输入到gcn模型做准备。
4.学习使用TensorFlow框架，配置好需要的python环境，熟悉各种库函数，构建两层的图卷积网络层，对超参数的设置、权重矩阵的生成、编写训练函数，对模型优化，防止发生过拟合问题或者不收敛现象。
5.将模型生成的结果与便签进行对比，通过MRIcron观察分割结果，与其他模型在处理结果上进行比较，分析结果，进行总结，得出结论。
以上是毕业论文开题文献，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
