基于深度学习的智能X线气胸精准定量评估

发布时间：2021-03-07 03:44

　　近年来,深度学习技术推动了计算机辅助诊断在医学影像分析领域的快速发展。与传统基于人工设计的特征提取算法比较,深度学习方法在图像分类,检测和分割等任务方面的性能显著提高,有效地解决了许多医学图像分析问题。胸部具有良好的天然对比,适用胸部X线检查。胸部X线图像具有非常丰富的影像学信息,放射科医生必须严格、仔细的审查每一个细节。此外,随着人们越来越重视健康,每年都定期做一次胸部X线体检,这使得放射科医生任务过重。由于大量胸片的堆积,那些患有气胸等危重疾病的患者就可能长时间的列表等待,从而延误病情。同时,医生工作时间较长,造成精力不足,可能影响疾病的诊断。因此,对气胸的准确诊断和定量分析是放射科诊断医生艰巨且紧急的任务。本文主要研究基于深度学习方法的智能X线气胸的精准定量评估。实现气胸的定量评估首先要准确的检测出气胸。由于气胸的形状、大小以及位置信息变化大,还可能与胸片上其他组织重叠,使得气胸的检测非常困难。因此,本文提出了一种结合密集卷积网络与梯度加权类激活映射的方法用于X线气胸的检测与定位。密集卷积网络具备网络较深、能够融合浅层与深层特征进行分类的优势,而梯度加权类激活映射算法能可视化卷积... 

【文章来源】：西南科技大学四川省

【文章页数】：58 页

【学位级别】：硕士

【部分图文】：

图１－１所示，胸部Ｘ－ｒａｙ图像有非常丰富的影像学信息，放射科医生必须严格、??仔细的审査每一个细节

积神经网络与一般的神经网络原理一样，可以将其可视化为一组按非循环图排??列的神经元。与神经网络的主要区别在于，隐藏层神经元只与前一层神经元的一个子??集相连。由于这种稀疏连接，它能够隐式地学习特征。网络的深层结构可以层次化的提??取特征，即第一层的训练后的滤波器可以被可视化为一组边缘或色块，第二层的滤波??器可以被可视化为一些形状，接下来各层滤波器可以学习对象的部分组件，而最后一??层的滤波器可以识别对象。ＣＮＮｓ具有前馈特性，通常由卷积层、池化层以及全连接层??等组成。其简单结构如图２－１所示，在输入样本上对卷积层进行卷积，以计算多个特征??映射。从输入样本中检测一个特征，用特征图中的一个小框表示。这些映射被传递到最??大池化层，最大池化层保留了相关的特性并丢弃了其余的特性。之后最大池化层的特??征被转换成全连接层的一维特征向量，然后用来计算输出概率。以下部分简要介绍卷??积神经网络各部件的功能。??—????输入?卷积??＾?（特征图）?最大池化全连接?输出??图２－１卷积神经网络结构示意图??（１）卷积层??卷积层是ＣＮＮｓ的主要组成部分，也是ＣＮＮｓ的基本组成单元，它是一组神经元??排列的特征图（ＦｅａｔｕｒｅＭａｐ）。卷积层的参数是－组可学习的卷积核或滤波器，卷积核??的尺寸一般为３Ｘ３，?５Ｘ５ＪＸ７等。卷积操作如式２－１所示，在ＣＮＮｓ中，第一个卷积??层以图像作为输入，每一个卷积块只处理与卷积核尺寸大小的图像，进行卷积后在传??到后面的网络。每一次卷积都可以提取最能描述对象的特征，比如对象的边或者拐角，??而后经过组合和抽象，提取更深层的特征，因此具有学习复杂特征的能力，是图像识别??

化和多??尺度无序池化。池化操作也包含一个滤波器，不同于卷积滤波器的是，该滤波器是没有??可学习参数的。平均池化（Ａｖｅｒａｇｅ?Ｐｏｏｌｉｎｇ）就是在特征图上对应滤波器大小的区域，??在该区域内取所有不为０的像素点的平均值，能更好的提取图像的背景信息。而最大??池化（Ｍａｘ?Ｐｏｏｌｉｎｇ）就是取该区域最大的像素值，能更好的提取图像的纹理特征。下??面以最大池化为例，说明池化操作的过程。假设有一个４Ｘ４的像素矩阵，以及一个步??长为２的滤波器，尺寸为２Ｘ２，以此来做最大池化的结果如图２－２所示。??ｙ???？??１０?７?５?４??２Ｘ２滤波器??ｒ￣￣??５?８?１４?５??步长为２?＾?１０?１４??１７?９?２０?１５?１７?２０??４?１５?７?８??ｙ??图２－２最大池化操作示意图??（３）全连接层??全连接层（Ｆｕｌｌｙｃｏｎｎｅｃｔｅｄｌａｙｅｒ，ＦＣ层）的神经兀与前…层的神经兀完全相连，实??现密集的连接，因此全连接层也可以称为密集连接层，全连接层的作用就是完成网络??最后的高级推理部分。ＣＮＮｓ的全连接层一般在所有卷积层之后，因为全连接层的神经??元是一维排列而非空间排列，所以全连接层后是不可能有卷积层的。但最近，有学者提??出的—些架构中，去掉了全连接层，如Ｌｉｎ等人提出的架构将全连接层替换为全局??平均池化层。??（４）激活层??激励层是将卷积层的输出通过非线性函数将其转换为非线性值，这对神经网络拟??合复杂的非线性问题十分重要。激励层主要用到的是激活函数（Ａｃｔｉｖａｔｉｏｎ?Ｆｕｎｃｔｉｏｎ）／，??在卷积或全连接后，神经元的输出为ｒ／ＷｉＡ?＋?ｈ在进入下一个层之前，

【参考文献】：
期刊论文
[1]基于卷积神经网络的图像分类算法综述[J]. 杨真真,匡楠,范露,康彬.  信号处理. 2018(12)
[2]气胸肺压缩程度测量软件的研制及其法医学应用[J]. 吴永波,武斌,李阳,胡晓飞,司东雷.  法医学杂志. 2018(03)
[3]基于深度卷积神经网络的色素性皮肤病识别分类[J]. 何雪英,韩忠义,魏本征.  计算机应用. 2018(11)
[4]原发性自发性气胸病因研究进展[J]. 王朝,邹卫.  临床肺科杂志. 2015(06)
[5]健康体检的深层价值探讨（附1300例体检结果分析）[J]. 贾瑞珍,杜兵.  中国全科医学. 2007(01)
[6]谈谈气胸的诊断方法[J]. 穆魁津.  中国实用内科杂志. 1995(04)



本文编号：3068345