基于机器视觉乳腺癌筛查辅助系统的算法研究
发布时间：2021-04-12 11:55
医学影像分析是现代计算机视觉领域中比较具有研究意义的方向。乳腺癌作为严重威胁女性生命的恶性肿瘤,非常具有跨学科研究的价值。若能利用计算机参与诊断,那势必能帮助减少因人类医生受环境因素干扰引入的诊断误差,如休息不够、情绪不佳等,对于乳腺癌早期患者群体,降低筛查漏检率,早发现早治疗,能大幅度提升乳腺癌患者的存活率。根据乳腺癌诊断的医学步骤,可以将计算机视觉引入以下两个步骤中:首先是应用在乳腺钼靶X线摄影检查中,帮助对所有女性进行是否患有乳腺癌的初筛工作。本次研究采用卷积神经网络构建诊断网络,即输入一张乳腺X线医学图像,诊断网络自动判断患者是否出现病变,同时分割出病变区域供下一步活检采集细胞组织做进一步确诊。本部分实验根据需要进行病变分类和分割病灶区域两个任务,依托深度学习技术设定了分类、分割、分割分类同时进行三个实验方案,实验过程中,利用Focal Loss克服了医学图像样本类间分布不均衡的问题,以及通过目标检测算法缓解了医学图像中前后景数量不平衡对模型最终效果的影响。通过对比三个方案的实验结果发现,直接对医学图像进行分类受到目标区域占比较小的影响,模型不能收敛,而先进行目标检测找到病灶区...
【文章来源】：华侨大学福建省
【文章页数】：64 页
【学位级别】：硕士
【部分图文】：
Inception结构[16]
华侨大学硕士学位论文10同主要是体现在纵向卷积层中卷积核的数量的不同。在这里以VGG16作为基础网络，进行介绍，其网络结构图见图2.2。图2.2VGG16网络结构[20]VGGNet的网络结构非常清晰、简洁，由5层卷积层、3层全连接层和Softmax输出层组成。每层之间用2*2大小的maxpooling池化层连接，卷积核后的激活函数均选用ReLU函数。由于模型中全连接层的存在，输入网络图像大小需固定不变，论文中定义的图像大小为224，每经过一层池化层，图像大小减半。VGGNet使用小尺寸卷积核提取图像特征，通过多次叠加提取的方式替代大尺寸卷积核，具体来说，纵向经过两个3*3的卷积核，卷积层的感受野与单个5*5卷积核组成的卷积层的感受野相持平，纵向经过三个3*3的卷积核，卷积层的感受野和单个7*7的卷积核组成的卷积层的感受野相持平，需要注意的是，小尺寸卷积核叠加在不损失感受野的前提下，为整体网络带来的好处却有很多，如多个小卷积核叠加的卷积层，总体参数量小于单个大尺寸卷积核，另一方面，多次叠加小卷积核意味着多次引入了非线性函数，这可以大大提升网络对数据集的拟合能力等。VGGNet通过加深网络来获得高维特征的同时，也拓宽了网络的宽度，图像输入后经过的第一层卷积层共有64个卷积核，其中网络最多一层卷积层拥有512个卷积核。网络宽度大可以保证提取的特征种类较为丰富，可以较为全面的描述数据集。2.2.3U-NetU-Net[22]网络结构见图2.3，该结构可以看作是一个编解码结构，该网络左右对称，左边是用于提取数据集特征的编码器，右边是用于恢复编码器提取到信息的解码器。该结构利用skipconnection在编码器和解
第2章相关深度学习知识介绍11码器之间建立来连接通道，该操作将下采样得到的图像和对应上采样得到的图像叠加在一起，这样可以同时保留网络在数据集提取到的浅层特征和经过上采样恢复的深层特征，这可以帮助减少网络下采样过程中信息的丢失。图2.3U-Net网络结构[22]相比较别的优秀的分割网络，如Fast-RCNN需要在图像上遍历相同大小的图像块进行分析，这大大增加了网络运行需要的时间，同时图像块之间的重叠引入了很大的运算冗余，而U-Net则没有这类的问题。在U-Net结构中，编码器部分共5层，用了3*3的卷积核提取特征，网络宽度最多可以达到512，最少为64。分析U-Net网络，我们可以思考，既然U-Net在最后做预测时，需要同时采集数据集的浅层特征和深层特征，那么是不是加深网络结构，提取出更多更高维度的语义特征更好呢？因此我们设想通过加强编码器对特征提取的能力，可以帮助提升网络的整体表现，因此设计多个实验，利用多个强大深度学习网络卷积部分替换U-Net编码器部分，验证猜想。2.2.4残差网络除上诉的GoogLeNet、UNet、VGGNet之外，ResNet[33]提出残差结构使不断加深网络成为可能，见图2.4。因为限制深层网络效果的原因之一是梯度消失，即梯度随着深度的加深越来越小，而该结构通过将学习目标改为输入和输出之间的差来为每层梯度加入常数，避免了梯度越来越小，甚至为零的现象。DenseNet[34]受ResNet的启发，将每层输入改为之前所有网络的输出，见图2.5，在保证梯度能更好传播的同时，完成了
【参考文献】：
期刊论文
[1]密集卷积神经网络和辅助特征相结合的乳腺组织病理图像有丝分裂检测方法[J]. 段慧芳,刘娟. 武汉大学学报(理学版). 2019(05)
[2]基于AlexNet和集成分类器的乳腺癌计算机辅助诊断方法[J]. 侯霄雄,许新征,朱炯,郭燕燕. 山东大学学报(工学版). 2019(02)
[3]基于卷积神经网络的鲜茶叶智能分选系统研究[J]. 高震宇,王安,刘勇,张龙,夏营威. 农业机械学报. 2017(07)
[4]数字乳腺摄影的计算机辅助诊断在乳腺癌筛查中的应用[J]. 倪志华,殷士蒙,黄慧茹,沈岚,宋恬,杨皓. 中国医学计算机成像杂志. 2012(01)
[5]基于支持向量机的超声乳腺肿瘤图像计算机辅助诊断系统[J]. 李晓峰,沈毅. 光电子.激光. 2008(01)
[6]基于CT图像的肺结节计算机辅助诊断系统[J]. 薛以锋,鲍旭东,马汉林,吴磊. 中国医学物理学杂志. 2006(02)
[7]数字化乳腺X线计算机辅助诊断系统临床应用价值的初步探讨[J]. 孙哲,黎庶,徐惠绵. 中华医学杂志. 2005(24)
本文编号：3133254
【文章来源】：华侨大学福建省
【文章页数】：64 页
【学位级别】：硕士
【部分图文】：
Inception结构[16]
华侨大学硕士学位论文10同主要是体现在纵向卷积层中卷积核的数量的不同。在这里以VGG16作为基础网络，进行介绍，其网络结构图见图2.2。图2.2VGG16网络结构[20]VGGNet的网络结构非常清晰、简洁，由5层卷积层、3层全连接层和Softmax输出层组成。每层之间用2*2大小的maxpooling池化层连接，卷积核后的激活函数均选用ReLU函数。由于模型中全连接层的存在，输入网络图像大小需固定不变，论文中定义的图像大小为224，每经过一层池化层，图像大小减半。VGGNet使用小尺寸卷积核提取图像特征，通过多次叠加提取的方式替代大尺寸卷积核，具体来说，纵向经过两个3*3的卷积核，卷积层的感受野与单个5*5卷积核组成的卷积层的感受野相持平，纵向经过三个3*3的卷积核，卷积层的感受野和单个7*7的卷积核组成的卷积层的感受野相持平，需要注意的是，小尺寸卷积核叠加在不损失感受野的前提下，为整体网络带来的好处却有很多，如多个小卷积核叠加的卷积层，总体参数量小于单个大尺寸卷积核，另一方面，多次叠加小卷积核意味着多次引入了非线性函数，这可以大大提升网络对数据集的拟合能力等。VGGNet通过加深网络来获得高维特征的同时，也拓宽了网络的宽度，图像输入后经过的第一层卷积层共有64个卷积核，其中网络最多一层卷积层拥有512个卷积核。网络宽度大可以保证提取的特征种类较为丰富，可以较为全面的描述数据集。2.2.3U-NetU-Net[22]网络结构见图2.3，该结构可以看作是一个编解码结构，该网络左右对称，左边是用于提取数据集特征的编码器，右边是用于恢复编码器提取到信息的解码器。该结构利用skipconnection在编码器和解
第2章相关深度学习知识介绍11码器之间建立来连接通道，该操作将下采样得到的图像和对应上采样得到的图像叠加在一起，这样可以同时保留网络在数据集提取到的浅层特征和经过上采样恢复的深层特征，这可以帮助减少网络下采样过程中信息的丢失。图2.3U-Net网络结构[22]相比较别的优秀的分割网络，如Fast-RCNN需要在图像上遍历相同大小的图像块进行分析，这大大增加了网络运行需要的时间，同时图像块之间的重叠引入了很大的运算冗余，而U-Net则没有这类的问题。在U-Net结构中，编码器部分共5层，用了3*3的卷积核提取特征，网络宽度最多可以达到512，最少为64。分析U-Net网络，我们可以思考，既然U-Net在最后做预测时，需要同时采集数据集的浅层特征和深层特征，那么是不是加深网络结构，提取出更多更高维度的语义特征更好呢？因此我们设想通过加强编码器对特征提取的能力，可以帮助提升网络的整体表现，因此设计多个实验，利用多个强大深度学习网络卷积部分替换U-Net编码器部分，验证猜想。2.2.4残差网络除上诉的GoogLeNet、UNet、VGGNet之外，ResNet[33]提出残差结构使不断加深网络成为可能，见图2.4。因为限制深层网络效果的原因之一是梯度消失，即梯度随着深度的加深越来越小，而该结构通过将学习目标改为输入和输出之间的差来为每层梯度加入常数，避免了梯度越来越小，甚至为零的现象。DenseNet[34]受ResNet的启发，将每层输入改为之前所有网络的输出，见图2.5，在保证梯度能更好传播的同时，完成了
【参考文献】：
期刊论文
[1]密集卷积神经网络和辅助特征相结合的乳腺组织病理图像有丝分裂检测方法[J]. 段慧芳,刘娟. 武汉大学学报(理学版). 2019(05)
[2]基于AlexNet和集成分类器的乳腺癌计算机辅助诊断方法[J]. 侯霄雄,许新征,朱炯,郭燕燕. 山东大学学报(工学版). 2019(02)
[3]基于卷积神经网络的鲜茶叶智能分选系统研究[J]. 高震宇,王安,刘勇,张龙,夏营威. 农业机械学报. 2017(07)
[4]数字乳腺摄影的计算机辅助诊断在乳腺癌筛查中的应用[J]. 倪志华,殷士蒙,黄慧茹,沈岚,宋恬,杨皓. 中国医学计算机成像杂志. 2012(01)
[5]基于支持向量机的超声乳腺肿瘤图像计算机辅助诊断系统[J]. 李晓峰,沈毅. 光电子.激光. 2008(01)
[6]基于CT图像的肺结节计算机辅助诊断系统[J]. 薛以锋,鲍旭东,马汉林,吴磊. 中国医学物理学杂志. 2006(02)
[7]数字化乳腺X线计算机辅助诊断系统临床应用价值的初步探讨[J]. 孙哲,黎庶,徐惠绵. 中华医学杂志. 2005(24)
本文编号：3133254
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3133254.html
最近更新
教材专著
