基于条带状主成分分析和残差自校准网络的乳糜泻病诊断方法研究

发布时间：2021-01-20 04:04

　　伴随着海量数据时代的到来,计算机辅助决策系统（CAD）以一种低时间消耗和高灵敏度的优势融入影像分析,语音识别和情感计算等领域。传统的CAD系统在图像分类上过度依赖于先验的关键点选择,特征提取和分类器分类。而特征提取算法往往对最终的CAD系统成败产生重要影响。近年来,深度学习和主成分分析特征提取技术在数据处理方面取得较好的收益,然而针对人体小肠的胶囊内窥镜图像分析的复杂多样性,当前的处理算法存在一定的局限性:（1）深度学习算法在隐藏层中的信息存在冗余,怎样确保在神经网络中高效筛选出有利于最终任务的高价值信息?（2）计算机量化的胶囊内窥镜图像分析仍然是一个挑战,考虑到摄像机拍摄的角度和光照相对于小肠壁是不可控制的,如何量化小肠绒毛特征?为了解决上述问题,本文作了如下创新:（1）提出一种新的深度学习局部注意力模块用于乳糜泻疾病的诊断。这种注意力模块不仅关注乳糜泻疾病图像的全局通道信息,而且考虑到局部空间的显著性特征。在网络训练过程中为每个卷积输出的特征图进行通道和空间信息的权重分配,丰富对当前学习任务有利的特征信息,弱化不重要的信息。（2）提出一种新的基于非贪婪的L1-范数最大化的条带状主成... 

【文章来源】：合肥工业大学安徽省 211工程院校 教育部直属院校

【文章页数】：64 页

【学位级别】：硕士

【部分图文】：

健康对照组（上排）和乳糜泻患者（下排）的视频胶囊内窥镜图像

合肥工业大学硕士学位论文4个隐藏层和一个输出层，在网络的同一层神经元间不存在关联，可以看到在网络的后一层与前一层的所有神经元都相连，并且前层的网络的输出即是后层网络的输入。最后在网络神经元的连接处都附带有权重值用来更新网络优化过程中的内部参数。在计算机视觉领域，网络的输入可能会是医学影像或场景图像，经过隐藏层数据的非线性修饰和传递，最终经过输出判别层对具有判别能力的特征进行判断。卷积神经网路是神经网络的延拓。在卷积神经网络之前，处理图像分类任务主要分为图像底层特征的提取，特征的表达和分类器设计。其中特征提取对分类任务的起到至关重要的作用，传统的特征提取算法依赖于人工干预的先验经验，属于一种半自主的学习方式。虽然在很多特定的场景任务中人工选择的特征具有较好的识别性能，但同时可以看到针对大规模的图像数据来说，这种特定的特征抽取方式将会需要大量的人力成本，缺乏计算效率和精准的设计调优。先验的特征提取方法暴露出的局限性迫使算法设计朝着更加智能化的方向发展。受1981年Hubel提出人类大脑神经视觉认知原理的启发，学者们提出基于学习的特征提取方法，可简化为图1.3的逐级分层认知过程。从图1.3中可以看出图像的分层抽象的过程，通过人类的大脑皮层将瞳孔摄入的图像数据转化为初级的特征并分解为不同的边缘和方向，紧接着通过中间层的非线性特征映射和优化，会获取到对识别任务有用的关键特征（比如这里的人的眼睛，鼻子，车身等）。再往上层，关键特征将会融合成对应得图像，以此达到精准得区分不同类别得图像。图1.2全连接神经网络示意图Fig.1.2.Schematicdiagramoffullyconnectedneuralnetwork

第一章绪论5图1.4展示了常见的卷积神经网络的流程图。卷积神经网络主要由堆叠的卷积层(Convolution)，池化层/下采样层（Pooling）和全连接层(Fullyconnected)组成。图1.4中，输入为原始的图像特征，经过三个卷积核对其输入特征进行不同空间信息的转换形成深度为3的特征图像，再经过（最大或均值）池化操作对卷积后的三个特征图像进行空间信息去冗余，之后通过6个卷积核和池化操作形成深度为6的特征图，最后将6张特征图按行串联成向量的形式，连接到全连接层。卷积神经网络训练的过程实则为最优化的求解过程，网络在每次前向传播的训练中都会计算网络输出值和真实的金标准之间的误差大小，网络的训练过程就是通过调整步长值（也即学习率）来寻找全局最优的过程。网络在计算一次前向传图1.3深度学习的特征学习过程Fig.1.3.Featurelearningprocessofdeeplearning图1.4卷积神经网络模型流图Fig.1.4Flowdiagramofconvolutionalneuralnetworkmodel


本文编号：2988332