基于增强学习的医学图像病变区域提取方法研究
发布时间：2021-01-05 18:42
医学图像处理在医学诊断、临床治疗等方面起着重要的作用,但目前医学图像的分析和诊断主要是靠放射科医师人工阅片完成。受制于落后地区医疗水平的限制、病人病理学的个体差异等诸多因素,传统的人工阅片存在着极大挑战,使得实现一个能够自动化准确提取出医学图像中病变区域的技术至关重要。另一方面,增强学习正在越来越广泛的领域崭露头角,例如游戏博弈、机器视觉等,在某些领域内甚至达到了超越人类的表现,被认为是迈向人工智能的重要途径,因此,增强学习具备了被应用至医学图像处理领域的潜力。基于上述原因,本文探究了增强学习在医学图像病变区域提取中的应用。具体而言,本文构建了基于增强学习的模型,用于BRATS数据集的脑肿瘤分割任务,其主要工作如下:（1）对BRATS数据集进行相关的分析及预处理,预处理包含数据标准化和数据增强两个方面。对此,本文探究了几种主流的处理技术,并通过相关实验验证了Z-score标准化、随机旋转、随机镜像翻转的有效性。（2）通过探究分析Mask R-CNN系列模型,提出了一个增强语义分割框架RSF,用于融合语义分割网络和增强学习网络,该模型的共享特征提取基干和语义分割分支可以采用任意的主流网络...
【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校
【文章页数】：94 页
【学位级别】：硕士
【部分图文】：
VGG的改进及整体架构(a)连续小卷积代替大卷积；(b)整体架构
第二章技术理论与相关工作11的值，而舍弃“残差映射”分支的值，即，在BP训练的阶段，“残差映射”分支中的权值会被逐渐地更新至0.0。因此，对于ResNet而言，若网络已达到最优，此时再继续加深网络，新增的残差单元的“残差映射”分支输出值将为0，从而不会损害网络性能，使得网络一直处于最优状态。图2-2ResNet残差单元示意图此外，残差结构还有另一个优点，其易于训练，能够使整体网络更快收敛。残差结构的公式推导如式(2-2)所示。11(,)(,)llllLLliiilxxFxwxxFxw(2-2)其中，lx和l1x分别为第l个残差单元的输入和输出，若连续堆叠L1个残差单元，那么递归地将上述第一个式子带入，得到上述第二个公式，即为残差结构的整体公式。根据链式求导法则，计算其反向传播的梯度更新公式，如式(2-3)所示。11(,)LLiilLlLlillosslossxlossFxwxxxxx(2-3)在上述公式中，小括号里的“1”即表示，其可以无损地传播梯度，而这正是“恒等映射”所对应的梯度；与之相加的另一项则是“残差映射”所对应的梯度，这部分的梯度需要经过若干权重层才会最终得到，并且不会恰好全都为-1。因此，就算“残差映射”部分的梯度非常小甚至为0，由于有“恒等映射”部分的恒定梯度1存在，其总体的梯度也不会消失，因此能够抑制“梯度弥散”的发生，使网络易于更新权重、快速收敛。不仅如此，何凯明团队还针对原始的残差结构提出了一种改进形式，称作“瓶
电子科技大学硕士学位论文12颈结构（BottleneckDesign）”，如图2-3所示。从左至右分别是：通道数为64的原始结构（raw-64d）、通道数为256的瓶颈结构（bottleneck-256d）、通道数为256的原始结构（raw-256d）。图2-3ResNet瓶颈结构示意图从图中不难看出，瓶颈结构改进了原始结构中的“残差映射”分支，具体地，输入首先经过一个1*1大小且通道数为原始通道数四分之一的卷积进行特征降维，再经过一个3*3大小且通道数为原始通道数四分之一的卷积提取新特征，最后经过一个1*1大小且通道数为原始通道数的卷积将新提取特征还原至原始的特征通道数。对比raw-64d和bottleneck-256d，不难发现bottleneck-256d在保证参数量几乎不变（甚至更少）的情况下，拓宽了特征通道数，这使得在保证参数量规模不变的情况下，增强了网络的学习能力；对比raw-256d和bottleneck-256d，不难发现bottleneck-256d能够在维持特征通道数不变的情况下，大幅降低参数量消耗（约17倍），这使得网络在保证性能的情况下更加易于训练。简而言之，瓶颈结构通过“特征降维，特征提取，还原特征通道数”的方式，降低原始结构中的参数量，使得ResNet的网络结构得到进一步的加深。至此，ResNet50和ResNet101成为了目前处理计算机视觉任务的首选基干模型。例如，著名的二阶段（Two-stage）目标检测网络R-CNN系列，其最新的研究成果FasterR-CNN、MaskR-CNN以及全景分割基干网络PanopticFPN中，都采用了ResNet作为网络的特征提取基干。2.2增强学习增强学习是机器学习领域的另一条重要分支，与端到端一站式处理目标任务的
【参考文献】：
期刊论文
[1]深度学习在医学图像分析中的应用研究综述[J]. 黄江珊,王秀红. 图书情报研究. 2019(02)
[2]卷积神经网络及其在医学图像分析中的应用研究[J]. 梁蒙蒙,周涛,张飞飞,杨健,夏勇. 生物医学工程学杂志. 2018(06)
[3]医学影像技术在医学影像诊断中的临床应用分析[J]. 何飞. 智慧健康. 2018(36)
[4]基于深度学习的医学影像诊断综述[J]. 张巧丽,赵地,迟学斌. 计算机科学. 2017(S2)
[5]大数据时代下深度学习理论综述[J]. 邱俊玲. 智能制造. 2017(08)
[6]深度学习研究综述[J]. 尹宝才,王文通,王立春. 北京工业大学学报. 2015(01)
本文编号：2959109
【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校
【文章页数】：94 页
【学位级别】：硕士
【部分图文】：
VGG的改进及整体架构(a)连续小卷积代替大卷积；(b)整体架构
第二章技术理论与相关工作11的值，而舍弃“残差映射”分支的值，即，在BP训练的阶段，“残差映射”分支中的权值会被逐渐地更新至0.0。因此，对于ResNet而言，若网络已达到最优，此时再继续加深网络，新增的残差单元的“残差映射”分支输出值将为0，从而不会损害网络性能，使得网络一直处于最优状态。图2-2ResNet残差单元示意图此外，残差结构还有另一个优点，其易于训练，能够使整体网络更快收敛。残差结构的公式推导如式(2-2)所示。11(,)(,)llllLLliiilxxFxwxxFxw(2-2)其中，lx和l1x分别为第l个残差单元的输入和输出，若连续堆叠L1个残差单元，那么递归地将上述第一个式子带入，得到上述第二个公式，即为残差结构的整体公式。根据链式求导法则，计算其反向传播的梯度更新公式，如式(2-3)所示。11(,)LLiilLlLlillosslossxlossFxwxxxxx(2-3)在上述公式中，小括号里的“1”即表示，其可以无损地传播梯度，而这正是“恒等映射”所对应的梯度；与之相加的另一项则是“残差映射”所对应的梯度，这部分的梯度需要经过若干权重层才会最终得到，并且不会恰好全都为-1。因此，就算“残差映射”部分的梯度非常小甚至为0，由于有“恒等映射”部分的恒定梯度1存在，其总体的梯度也不会消失，因此能够抑制“梯度弥散”的发生，使网络易于更新权重、快速收敛。不仅如此，何凯明团队还针对原始的残差结构提出了一种改进形式，称作“瓶
电子科技大学硕士学位论文12颈结构（BottleneckDesign）”，如图2-3所示。从左至右分别是：通道数为64的原始结构（raw-64d）、通道数为256的瓶颈结构（bottleneck-256d）、通道数为256的原始结构（raw-256d）。图2-3ResNet瓶颈结构示意图从图中不难看出，瓶颈结构改进了原始结构中的“残差映射”分支，具体地，输入首先经过一个1*1大小且通道数为原始通道数四分之一的卷积进行特征降维，再经过一个3*3大小且通道数为原始通道数四分之一的卷积提取新特征，最后经过一个1*1大小且通道数为原始通道数的卷积将新提取特征还原至原始的特征通道数。对比raw-64d和bottleneck-256d，不难发现bottleneck-256d在保证参数量几乎不变（甚至更少）的情况下，拓宽了特征通道数，这使得在保证参数量规模不变的情况下，增强了网络的学习能力；对比raw-256d和bottleneck-256d，不难发现bottleneck-256d能够在维持特征通道数不变的情况下，大幅降低参数量消耗（约17倍），这使得网络在保证性能的情况下更加易于训练。简而言之，瓶颈结构通过“特征降维，特征提取，还原特征通道数”的方式，降低原始结构中的参数量，使得ResNet的网络结构得到进一步的加深。至此，ResNet50和ResNet101成为了目前处理计算机视觉任务的首选基干模型。例如，著名的二阶段（Two-stage）目标检测网络R-CNN系列，其最新的研究成果FasterR-CNN、MaskR-CNN以及全景分割基干网络PanopticFPN中，都采用了ResNet作为网络的特征提取基干。2.2增强学习增强学习是机器学习领域的另一条重要分支，与端到端一站式处理目标任务的
【参考文献】：
期刊论文
[1]深度学习在医学图像分析中的应用研究综述[J]. 黄江珊,王秀红. 图书情报研究. 2019(02)
[2]卷积神经网络及其在医学图像分析中的应用研究[J]. 梁蒙蒙,周涛,张飞飞,杨健,夏勇. 生物医学工程学杂志. 2018(06)
[3]医学影像技术在医学影像诊断中的临床应用分析[J]. 何飞. 智慧健康. 2018(36)
[4]基于深度学习的医学影像诊断综述[J]. 张巧丽,赵地,迟学斌. 计算机科学. 2017(S2)
[5]大数据时代下深度学习理论综述[J]. 邱俊玲. 智能制造. 2017(08)
[6]深度学习研究综述[J]. 尹宝才,王文通,王立春. 北京工业大学学报. 2015(01)
本文编号：2959109
本文链接：https://www.wllwen.com/guanlilunwen/lindaojc/2959109.html
