基于CNN与SVM的孤立性肺结节良恶性分类研究

发布时间：2021-03-30 10:06

　　孤立性肺结节良恶性分类是医学图像处理中的重要组成部分。基于肺结节复杂的图像特征和传统人工诊断提取存在的挑战性与对肺结节识别中的不确定性因素的存在,因而要充分发挥机器学习在诊断中的辅助性功效,实现优势互补。鉴于此,本文引入深度神经网络,将卷积神经网络模型应用到孤立性肺结节良恶性分类中,充分利用其比传统方法学习能力更强、学习方法更便捷且可以降低图像特征等特点,以减少肺部CT图像中肺结节的特征提取数量,充分利用支持向量机泛化能力强的优点,提高地域性小样本肺结节良恶性识别的准确率。首先,本文针对孤立性肺结节的良恶性分类的研究现状进行分析,研究深度神经网络与支持向量机的分类方法对肺结节分类方法的效果。其次,详细介绍卷积神经网络的原理,比较卷积神经网络的优缺点,探究卷积神经网络对孤立性肺结节进行提取的过程,使用批量归一化等方法来改进卷积神经网络的过拟合,并引入自动微分计算梯度方法以提高算法对肺结节良恶性分类的准确率。再次,本文的研究基于支持向量机的图像分类算法,利用支持向量机对小样本泛化能力强的特点,将布谷鸟搜索算法改进并用于其中,利用其寻优能力强的优点,以寻找支持向量机的相关参数,有效提高支持向... 

【文章来源】：哈尔滨理工大学黑龙江省

【文章页数】：49 页

【学位级别】：硕士

【部分图文】：

LIDC-IDRI中的数据信息Fig.2-1DatainformationintheLIDC-IDRIdatabase

肺部原始图像

哈尔滨理工大学工学硕士学位论文-9-图3-1卷积神经网络模型图Fig.3-1Convolutionalneuralnetworkmodeldiagram3.1.2数学模型与实现1.卷积层的主要作用是实现局部感知和部分特征提取[24]，主要是通过卷积核与图像做卷积处理，图3-2为卷积神经网络的局部卷积计算。图3-2卷积层卷积运算Fig3-2Convolutionoperationofconvolutionlayer在卷积计算的过程中，为了精确计算输出特征图的每一个值，卷积核沿水平或者垂直位置采取步长为1的移动，该步长为卷积核的步幅。步幅的大小决定卷积神经网络的维度。当步幅增大时，相对应卷积神经网络的维度就会减小，这个减小的过程，则称为子采样操作，子采样决定了卷积神经网络的规模。卷积层中，与输入的特征图表示相比，输出层特征图的空间大小减校假设卷积核为，输入特征图的大小为，步幅长度为s，则卷积层输出的大小为，其中、的大小如公式(3-1)，是下取整函数：tt(3-1)上述公式求得了卷积层的输出大校接下来是对卷积层算法的具体实现，

【参考文献】：
期刊论文
[1]细数我国各大区域高发癌症[J]. 昭阳.  江苏卫生保健. 2018(08)
[2]不同池化模型的卷积神经网络学习性能研究[J]. 刘万军,梁雪剑,曲海成.  中国图象图形学报. 2016(09)
[3]基于遗传算法和BP神经网络的孤立性肺结节分类算法[J]. 胡强,郝晓燕,雷蕾.  计算机科学. 2016(S1)
[4]基于改进布谷鸟搜索算法的图像边缘检测[J]. 邓江洪,赵领.  计算机系统应用. 2015(08)
[5]PCA预训练的卷积神经网络目标识别算法[J]. 史鹤欢,许悦雷,马时平,李岳云,李帅.  西安电子科技大学学报. 2016(03)
[6]基于卷积神经网络的纹理分类方法研究[J]. 冀中,刘青,聂林红,庞彦伟.  计算机科学与探索. 2016(03)
[7]基于SVM和形态学的乳腺X线影像MROI提取技术[J]. 顾广娟,宋立新,王立.  哈尔滨理工大学学报. 2009(06)
[8]胸部CT图像中孤立性肺结节良恶性快速分类[J]. 刘露,刘宛予,楚春雨,吴军,周洋,张红霞,鲍劼.  光学精密工程. 2009(08)

博士论文
[1]肺结节图像的分析与识别[D]. 曹蕾.南方医科大学 2009

硕士论文
[1]5p15.33区域遗传变异与肺癌易感性的相关性研究[D]. 向成.华中科技大学 2017
[2]基于DICOM序列影像的肺结节检测算法研究[D]. 罗旋.电子科技大学 2015



本文编号：3109333