本文是医学论文，获得每个特征点的位移场；根据各个特征点的位移场计算得到对应的偏移距离图，根据偏移距离图可以计算获得每个特征点的坐标位置。本文中每个目标特征点都有一个双层随机森林模型作为特征点检测器，第二层随机森林可以显著提升每一个预测位移场的质量，因此该方法可以比传统方法更加精确地检测到解剖特征点。本文还提出了基于随机森林的解剖特征点定位在前列腺CT图像中的应用，在自动定位前列腺CT图中的解剖特征点时，该方法包括两个步骤，首先是对训练集数据进行训练，其次是对测试集数据进行测试。在对训练时，只将图像外观特征将测试图像映射到位移场。由第一层随机森林模型为所有特征点预测的位移场提供了丰富的上下文特征，以帮助细化第二层随机森林模型中的相应位移场。此外，通过将上下文特征与外观特征相结合，第二层回归森林能够显着提高每个预测位移场的质量，从而导致比传统的基于回归的方法更准确的检测解剖特征点。
......
第一章绪论
本文主要研究内容为基于随机森林的X射线头影测量解剖特征点定位系统开发和基于随机森林的前列腺特征点定位。本文对主要内容做出了如下所述的安排：第一章绪论，在本文的第一章中，首先给出的是，课题的背景和研究意义的介绍，随后给出锥形束CT的相关知识介绍，这一部分首先是关于X射线的产生原理和基本性质，然后是医学图像应用X射线的情况，以及X射线头影测量分析的发展以及应用。随后是三维X射线头影测量分析的研究现状，最后一小节介绍了本文安排。第二章介绍了本文相关的背景知识，首先给出了一些关于决策树的构造以及信息增益、增益率、基尼指数和剪枝处理的定义以及计算的介绍。然后介绍了决策树的生成和修剪，最后介绍了决策树的存储与应用。第三章提出了基于随机森林的三维头影测量CBCT图像口腔解剖特征点自动定位方法，首先是训练阶段，然后是测试阶段，介绍了本文提出的方法中所用的两种特征上下文特征与三维Haar-like特征，在这之后介绍了基于随机森林的三维头影测量CBCT图像口腔解剖特征点自动定位方法的实验结果与分析。
.......
第二章相关背景知识介绍
2.1构造决策树
目前在临床诊断和治疗中，对三维医学图像重要特征点的定位仍以手工操作为主。人工操作不仅需要耗费巨大的工作量、花费较长的时间，而且准确性不可避免地会受到人为因素、医生状态等主观因素的影响；此外，因为不同医生的在临床实践经验、个人精神状态方面存在着无法避免但是无法忽略的差异，所以定位精度也会直接受到影响[3]。由此可见，发展三维医学图像重要特征点自动定位方法和系统具有重要的临床价值。下文将首先给出三维X射线头影测量分析技术和相关解剖特征点定位方法的介绍，接着说明了IGRT基本步骤以及基于重要特征点定位的CT图像前列腺部位分割流程，进一步阐明了重要特征点的自动定位在三维医学图像分析中的重要作用。本文研究特色与创新点就是如何充分挖掘同一病人的历史数据和不同病人的海量数据中隐藏的口腔三维X射线头影图像特征信息，并利用这些信息更新训练过程，使得到的分类器更适合患者口腔的当前状态，这样可以更加精确地定位处解剖特征点。
2.2决策树的生成和修剪
在ID3算法中，数据是根据属性值进行分割的，在后续的算法执行过程中，该特征被废除，所以这种高速的切割方法会降低算法的精度。CART算法是实质上是二叉树，采用了二元切分法，每次让数据分别进入左子树和右子树。而且每个非叶子节点都有两个子节点，所以CART树的叶子节点比非叶子多1。与前文描述的两种决策树算法相比，CART算法具有明显的优越性，首先，是它的丰富的用途，它在回归和分类任务中均展现了良好的性能，其次，该算法选择了与前文两种算法均不同的规则，即基尼指数，来作为最佳特征的选取依据。基尼指数的功能是量化纯度，这一点和信息熵很相似。CART中的每次迭代都会减少基尼指数。此外，CART还具有很多其他优势，诸如计算量较小，易于理解，对连续字段展现了强大的处理能力。当然，CART也绝非完美算法，它虽然可以处理连续字段但是在预测这种数据的能力方面尚且存在不足，而且若样本集存在时间顺序，则CART的效率会大大下降。
第三章基于随机森林的三维头影测量CBCT图像口腔解剖特征点自动定位方法.......26
3.1训练阶段.............27
3.2测试阶段.............35
3.3实验结果与分析........36
3.4本章小结.............41
第四章基于随机森林的前列腺CT图像解剖特征点定位算法.......42
4.1具体方法.............43
4.2实验结果分析.....44
4.3本章小结.............47
第五章总结与展望..........48
.....
第四章基于随机森林的前列腺CT图像解剖特征点定位算法
4.1具体方法
本章提出了基于随机森林的前列腺CT图像解剖特征点定位算法，以解决前列腺癌放疗中基于解剖特征点的前列腺分割问题。图4.1展示了该算法流程图。本章所用方法与第三章的基于随机森林的三维头影测量CBCT图像解剖特征点的自动定位方法类似，不同的是本章处理的数据是前列腺CT图像数据，前列腺CT图像中的解剖特征点是前列腺癌放疗计划中分割前列腺区域的重要依据。与上一章类似，本章提出的方法要首先对数据进行训练，随后进行测试。在训练阶段，仅使用图像外观特征将测试图像映射到位移场。由第一层随机森林模型为所有特征点预测的位移场提供了丰富的上下文特征，以帮助细化第二层随机森林模型中的相应位移场。也就是说，由于可以粗略地知道每个图像体素相对于所有目标地标的相对空间位置，可以使用这些有价值的信息在精细位移场上强加空间一致性。此外，通过将上下文特征与外观特征相结合，第二层回归森林能够显著提高每个预测位移场的质量，从而导致比传统的基于回归的方法更准确的检测解剖特征点。
4.2实验结果分析
本章提出了基于随机森林的解剖特征点定位在前列腺CT图像中的应用。首先介绍了实验步骤，该方法在作用于前列腺CT图像时，分为训练阶段和测试阶段。应用训练集中的数据训练出基于随机森林模型的特征点检测器之后，将该模型作用于测试集中的前列腺CT图像。随后介绍了实验结果与分析，由实验结果和分析可以得知，相比于传统的基于分类和回归的解剖特征点检测中，本章提出的基于随机森林的解剖特征点定位方法能够取得显著的改进。第四章介绍了随机森林的解剖特征点定位在前列腺CT图像特征点定位中的应用，将第三章中提出的方法应用于前列腺的CT图像特征点定位中，在前列腺的治疗中辅助临床医生。首先介绍了该方法的训练阶段然后介绍了测试阶段，其次介绍了实验结果分析。第五章是总结部分，主要总结了本文提出方法的优点和缺点，并且对于本文提出的方法的未来发展趋势做出了展望。
......
第五章总结与展望
本文的主要特色和创新之处在于：1)临床上，医生在治疗患者的过程中积累了丰富的医学图像数据，他们通常包含了关键的的口腔X射线图像特征信息，然而现有的大多数口腔三维X射线图像特征点检测算法对这些数据的关注度比较低。而本文研究特色与创新点之一就是如何充分利用病人丰富的历史数据中的图像特征信息，而且研究如何利用这些信息不断更新训练过程，因此训练出的分类器更加贴合病人口腔的当前状态，达到提高治疗时自动定位精度的目的。2)在口腔治疗前期由于已获得的当前病患的医学图像数据较少，所以会导致训练过程不充分，口腔特征点定位精度不能满足临床需要的问题。虽然不同病人的解剖结构差异较大，然而，口腔重要的三维X射线影像特征信息仍隐藏在其他患者的海量医学影像数据中，这些信息对提高患者口腔治疗前期特征点自动检测精度有较大作用。3)在训练阶段，要从治疗图中提取有效的特征信息用于训练，这些信息对提高患者口腔治疗期间特征点自动检测精度有极大作用。本文研究特色与创新点就是如何充分提取口腔三维X射线图像中所包含的丰富的特征信息，而且本文做到了将这些信息用于更新模型，使得到的分类器更适合患者口腔的当前状态，达到提高治疗时自动定位精度的目的。
参考文献（略）
参考文献（略）
