面向光相干成像的宫颈癌智能筛查技术及应用研究
发布时间：2021-01-12 09:40
深度学习作为人工智能的一个研究方向,在计算机视觉上取得了巨大的成功,尤其在图像分类任务上。许多医学和计算机的研究者正在探索新的领域——用深度学习辅助诊断人类疾病。宫颈癌是最常见的女性疾病之一,现有的宫颈癌筛查技术存在着不同的缺陷,导致在许多贫困地区女性无法得到及时的治疗。光学相干层析扫描技术（Optical Coherence Tomography,OCT）已被广泛应用于医学成像,它能够得到组织的纵切图像,能提供高分辨率的细胞级别的特征,并且能在原位快速获取2D/3D图像。这些优势使其具有成为一种新的宫颈筛查和检测技术的潜能。利用OCT提供的特征丰富的图像,结合深度学习强大的图像分析能力,本文主要研究一种新的宫颈疾病智能筛查技术以弥补现有技术的不足之处,并基于WinForm C++以及GPU CUDA并行程序技术,实现了图像采集处理系统以控制相关硬件设备对样品扫描成像,主要工作如下:（1）本文利用卷积神经网络训练图像的视觉特征提取器,将得到的图像特征序列与文本特征序列相结合,用于训练传统的支持向量机模型,完成相应的分类任务。针对收集的来自中国92名女性的497个3D OCM（Optic...
【文章来源】：武汉大学湖北省 211工程院校 985工程院校 教育部直属院校
【文章页数】：56 页
【学位级别】：硕士
【部分图文】：
图３．１图像数据示例，分别有五个类别所对应图像，其中展示了两种表现不同的癌症，如图所示??３．２．３．数据分类依据??
图３．２多模态分类器的整体结构??为了获得给定三维ＯＣＭ图像ｊ在分类标准中定义的五个细粒度类别的概率分布??（如图３．３?３－Ｄ图像预测概率推导所示），我们使用以下等式计算概率：??／５（ｙ＝；）?＝?＾！ｙＪ１／（ｙｉ＝７），?（３－１）??Ａｌｇｏｒｉｔｈｍ?１：?ｍａｊｏｒｉｔｙ?ｐｒｉｎｃｉｐｌｅ?ｆｏｒ?Ｉｕｆｅｒｒｉｕｇ?ｐｒｏｂａｂｉｌｉｎ?ｆｏｒ?３Ｄ??ＯＣＭ?ｉｍａｇｅｓ???Ｉｕｐｕｔ：?ｐｒｏｂｓ??Ｏｕｔｐｕｔ：?ｐｒｏｂＳＤ??１．?Ｃｒｅａｔｅ?ｅｍｐｔｙ?ｄｉｅｔ?ｐｉ，ｏｂ＿３Ｄ：??２．?Ｆｏｒ?ｅａｃｈ?ｉｔｅｍ?ｅ?ｐｒｏｂｓ?ｄｏ??３．?ｖｎｇ＿ｉｄ＝?ｉｔｅｍ．ｋｅｙ＇?Ｉ／?ＩＤ?ｆｏｒ?３Ｄ?ｉｍａｇｅ??４．?ｐｒｏｂ＿ａｉｒ＝?ｉｔｅｕｉＡ?ａｌｕｅ?／／ｃｏｎｔａｉｎｓ?ｐｒｏｂ?ｆｏｒ?ｅａｃｈ?２Ｄ?ｉｍａｇｅ?ｏｆ??５．?ｐｒｅｄｊａｂｅｌ?＝?ａｒｇｍａｘ（／；７??６．?ｔｍｐ＿ｐｒｏｂ?＝?［０］?＊?５??７．?ｆｏｒ?ｌａｂｅｌ?ｉｉｉ?［０．?１．?２．?３．?５］：??８．?Ｔｍｐ?＿＾７〇Ｚ？［ｌａｂｅｌ］?＝ｐｊｅｄ＿ＩａｂｅＩ．ｃｏ＼ｍｔ（Ｉａｂｅｒ）／ｌｅｎ（ｐｒｅｄＪａｂｅｌ）??９．?ｐｒｏｂ＿３Ｄ［ｍｉｇ＿ｉｄ＼?＝?Ｔｍｐ?＿ｐｒｏｂ［ｌａｂｅＴ＼??１０．?Ｅｎｄ?Ｆｏｒ??１１．?Ｅｎｄ???ｐｒｏｂｓ：?ｐｒｏｂａｂｉｌｉｔｙ?ｄｉｅｔ
使用数据集一致。??使用每个ＯＣＭ成像位置的组织活检诊断作为基础事实，为每个研宄者以及机器诊??断计算诊断准确性，敏感性，特异性。图４．３?（ａ，ｂ）显示了三名研究者的混淆矩阵。??同时还计算了每个统计参数的９５％水平的置信区间（ＣＩ）。另外还计算了三名研究者之??间的观察者间一致性（ｋ值）。??３．５．本章小结??本章主要从问题定义，数据的收集及处理，本文所采用的分类模型和特征可视化，??实验设定几个方面介绍了本文的工作。这里，提出了本文拟解决的三个主要问题，即??分类模型的结构、特征识别和数据不均衡问题。数据收集部分主要介绍了数据量、数??据的标记和预处理等方面；方法上介绍了本文设计的多模态分类器，能利用来源不同??的特征训练支持向量机分类模型；同时，还描述了本文所用到的显著性特征图和引导??性逆卷积方法。在实验设计部分，主要介绍了本文实验结果的评价指标、实验的开发??环境、验证实验的设计规则，以及与人盲测对比的实验设计。??１９??
本文编号：2972621
【文章来源】：武汉大学湖北省 211工程院校 985工程院校 教育部直属院校
【文章页数】：56 页
【学位级别】：硕士
【部分图文】：
图３．１图像数据示例，分别有五个类别所对应图像，其中展示了两种表现不同的癌症，如图所示??３．２．３．数据分类依据??
图３．２多模态分类器的整体结构??为了获得给定三维ＯＣＭ图像ｊ在分类标准中定义的五个细粒度类别的概率分布??（如图３．３?３－Ｄ图像预测概率推导所示），我们使用以下等式计算概率：??／５（ｙ＝；）?＝?＾！ｙＪ１／（ｙｉ＝７），?（３－１）??Ａｌｇｏｒｉｔｈｍ?１：?ｍａｊｏｒｉｔｙ?ｐｒｉｎｃｉｐｌｅ?ｆｏｒ?Ｉｕｆｅｒｒｉｕｇ?ｐｒｏｂａｂｉｌｉｎ?ｆｏｒ?３Ｄ??ＯＣＭ?ｉｍａｇｅｓ???Ｉｕｐｕｔ：?ｐｒｏｂｓ??Ｏｕｔｐｕｔ：?ｐｒｏｂＳＤ??１．?Ｃｒｅａｔｅ?ｅｍｐｔｙ?ｄｉｅｔ?ｐｉ，ｏｂ＿３Ｄ：??２．?Ｆｏｒ?ｅａｃｈ?ｉｔｅｍ?ｅ?ｐｒｏｂｓ?ｄｏ??３．?ｖｎｇ＿ｉｄ＝?ｉｔｅｍ．ｋｅｙ＇?Ｉ／?ＩＤ?ｆｏｒ?３Ｄ?ｉｍａｇｅ??４．?ｐｒｏｂ＿ａｉｒ＝?ｉｔｅｕｉＡ?ａｌｕｅ?／／ｃｏｎｔａｉｎｓ?ｐｒｏｂ?ｆｏｒ?ｅａｃｈ?２Ｄ?ｉｍａｇｅ?ｏｆ??５．?ｐｒｅｄｊａｂｅｌ?＝?ａｒｇｍａｘ（／；７??６．?ｔｍｐ＿ｐｒｏｂ?＝?［０］?＊?５??７．?ｆｏｒ?ｌａｂｅｌ?ｉｉｉ?［０．?１．?２．?３．?５］：??８．?Ｔｍｐ?＿＾７〇Ｚ？［ｌａｂｅｌ］?＝ｐｊｅｄ＿ＩａｂｅＩ．ｃｏ＼ｍｔ（Ｉａｂｅｒ）／ｌｅｎ（ｐｒｅｄＪａｂｅｌ）??９．?ｐｒｏｂ＿３Ｄ［ｍｉｇ＿ｉｄ＼?＝?Ｔｍｐ?＿ｐｒｏｂ［ｌａｂｅＴ＼??１０．?Ｅｎｄ?Ｆｏｒ??１１．?Ｅｎｄ???ｐｒｏｂｓ：?ｐｒｏｂａｂｉｌｉｔｙ?ｄｉｅｔ
使用数据集一致。??使用每个ＯＣＭ成像位置的组织活检诊断作为基础事实，为每个研宄者以及机器诊??断计算诊断准确性，敏感性，特异性。图４．３?（ａ，ｂ）显示了三名研究者的混淆矩阵。??同时还计算了每个统计参数的９５％水平的置信区间（ＣＩ）。另外还计算了三名研究者之??间的观察者间一致性（ｋ值）。??３．５．本章小结??本章主要从问题定义，数据的收集及处理，本文所采用的分类模型和特征可视化，??实验设定几个方面介绍了本文的工作。这里，提出了本文拟解决的三个主要问题，即??分类模型的结构、特征识别和数据不均衡问题。数据收集部分主要介绍了数据量、数??据的标记和预处理等方面；方法上介绍了本文设计的多模态分类器，能利用来源不同??的特征训练支持向量机分类模型；同时，还描述了本文所用到的显著性特征图和引导??性逆卷积方法。在实验设计部分，主要介绍了本文实验结果的评价指标、实验的开发??环境、验证实验的设计规则，以及与人盲测对比的实验设计。??１９??
本文编号：2972621
本文链接：https://www.wllwen.com/kejilunwen/rengongzhinen/2972621.html
