基于目标检测的超声图像主题生成

发布时间：2021-04-10 05:42

　　医学图像是一类被广泛应用于临床诊断的数字图像,但医学图像具有分辨率低,不同器官组织分界模糊的特点。近年来,针对医学图像的自动语义理解研究已经成为了一个焦点。目标检测和图像主题生成算法都是计算机视觉领域的重要分支,且近年来都取得了令人瞩目的发展,将这两种算法结合并引入医学图像处理中具有重要的临床应用价值。通过目标检测算法检测出医学图像中病灶区域的位置,对病灶区域进行编码,使得编码向量中携带更多的有用信息,排除了医学图像中背景和不相关组织的干扰,从而达到提高生成诊断报告质量的目的。目前已有的医学图像主题生成算法集中于提高生成的诊断报告与真实报告间的相似度,但没有考虑生成的报告中病理信息准确率的问题,这使得生成的诊断报告可靠性降低。因此,基于目标检测算法和图像主题生成算法,本文提出了两个模型,融合病理信息的医学图像主题生成模型和强化学习辅助训练的医学图像主题生成模型,以此来提高生成诊断报告的质量以及诊断报告中病理信息的准确率。本文具体研究工作如下:1.针对目前医学图像主题生成算法存在的诊断报告病理信息不准确的问题,本文提出了一个融合病理信息的医学图像主题生成模型,该模型利用目标检测算法检测出... 

【文章来源】：重庆邮电大学重庆市

【文章页数】：72 页

【学位级别】：硕士

【部分图文】：

论文组织结构框架图

重庆邮电大学硕士学位论第3章基于病理信息融合的超声图像主题生成24为了计算病灶区域的位置损失，本文引入SmoothL1损失，一个平滑且复杂度低的回归损失函数，模型的回归损失的计算过程如公式3.5所示：1**,,{,,,}(,)()regiiLijijjxywhLttsmoothtt=（3.5）公式中,({,,,})ijtjxywh表示预测的推荐位置和真实位置的补偿，*,({,,,})ijtjxywh表示标签中推荐位置和真实位置的补偿。本文中使用SmoothL1函数的目的是为了防止梯度的值过大，造成参数震荡，模型不收敛，SmoothL1损失函数的定义如下所示：11,||1()1||1,Lxifxsmoothxxotherwise=+（3.6）如果病灶区域位置的损失值过大，那么便采用L1损失，否则采用L2损失。的作用是使得损失函数平滑可导，本文中的取值为2，SmoothL1损失函数的曲线图如图3.2所示：图3.2SmoothL1损失函数的曲线图本文中通过最小化detectL来优化病灶区域检测模型的参数，最后提取病理信息分类模型最后一个全连接层的输出作为病灶区域的编码向量。3.2.2哨兵机制与诊断报告生成为了将语法信息和语义信息进行融合，本章借鉴文献[55]的方法在LSTM原有的结构上增加了一个哨兵门，将该门输出的信息作为语法信息ts。为了能将离散的

重庆邮电大学硕士学位论第5章超声图像诊断报告自动生成仿真系统495.3仿真系统的功能测试根据上一小节系统的设计便可利用代码将系统的各个功能实现，实现之后需要对系统各个功能模块进行详细测试，以查看每个模块的功能是否完整。5.3.1数据输入模块功能测试系统主界面：用户通过运行系统的主程序文件启动系统，系统启动之后首先打开主界面，主界面如图5.3所示。主界面由三部分构成，左上方的“医学图像”区域展示需要处理的医学图像，左下方的“参数选择区域”提供了三个下拉框，用于提供用户设置参数的功能，右边的“诊断结果”区域展示系统处理后的图像以及系统对医学图像的诊断结果。图5.3仿真系统主界面医学图像导入：用户点击医学图像区域的“导入医学图像”按钮，系统会弹出一个文件选择界面，在这个界面中用户选择需要诊断的医学图像，如图5.4所示。


本文编号：3129071