深度学习在胎盘超声图像及皮肤镜图像识别中的研究

发布时间：2021-01-02 02:53

　　目前,临床医生对许多疾病的诊断都依赖于对医学图像的观察分析。然而,由于医学仪器本身成像质量的局限性以及临床医生在观察分析时的主观误差,会导致误诊或漏诊的现象发生。为了解决这个问题,基于计算机辅助诊断的图像自动分析方法一直备受瞩目。近年来,深度学习方法因其强大的特征自学能力,被不断引入到医学图像领域的各种应用中,如疾病分类、预测、病灶分割等,且都获得了较大成功。相比于传统的机器学习方法,深度学习方法能够免去特征工程的繁杂,通过卷积等操作高效地识别出目标特征进而完成特定任务。然而,其在医学图像领域的应用仍面临许多困难。医学图像的数据量往往较小,这会使得模型训练不充分,导致模型性能较差;成像仪器由于硬件或者参数的不同成像结果差异较大,有些仪器成像质量较差,这些因素进一步加大了模型优化的难度,且对模型的泛化能力要求较高。针对上述问题,本文基于胎盘超声图像和皮肤镜图像来探索深度学习方法在医学图像领域的应用。主要研究成果包括基于混合描述符的胎盘成熟度自动分级、基于卷积描述符聚合策略的黑色素瘤自动识别以及基于双判别强化生成对抗网络的皮肤损伤区域自动分割。在胎盘成熟度分级的研究中,本文主要提出了一种混... 

【文章来源】：深圳大学广东省

【文章页数】：67 页

【学位级别】：硕士

【图文】：

基于皮肤镜图像的皮肤病变自动分割的主要挑战

胎盘成熟度自动分级框架

左侧为图像梯度，右侧为关键点描述符


本文编号：2952508