基于R-FCN的喉部病变图像检测方法研究

发布时间：2021-05-31 21:28

　　临床上,一般由医生根据喉部病变图像对喉部疾病进行诊断。在看图像寻找病变区的过程中,通常会耗费医生很多的精力。可能会导致医生疲劳,从而出现工作效率降低或者误诊的情况。采用计算机进行喉部病变的辅助诊断可以避免上述问题。目前,基于计算机的喉部病变图像辅助诊断系统,主要针对喉部病变图像进行分类,这种方法不利于医生对预测结果进行核对。本课题为了解决这个缺点,设计了一种可以给出病变区域和病变类别的辅助诊断方法。本文收集制作了病变数据集,进行实验研究。针对系统要给出病变位置和病变类别的设计要求,提出了一种基于区域的全卷积网络（Region-based Fully Convolutional Networks,R-FCN）的喉部病变图像检测方法。为了验证R-FCN模型在复杂背景下,对多器官、不完整器官以及由病变导致形状发生变化的器官的识别能力。本文收集并制作了喉部器官数据集进行实验验证。实验结果表明,R-FCN对器官测试集中会厌和声带的平均精度分别为93%和91%。同时,二者的均值平均精度（mean Average Precision,m AP）为92%。用含有7类标签的喉部病变数据集,验证待检测物体... 

【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校

【文章页数】：67 页

【学位级别】：硕士

【部分图文】：

图像分类和目标检测的预测结果

噪等预处理操作。另外，为了能更清楚的观察病变的细节信息，原始医学图像的分辨率通常都很高。为了减少计算量，一般都要进行RoI提龋从图像中分割出目标区域，去掉无用的背景。提取出RoI后，需要对RoI进行纹理形态等特征的提取，这是CAD系统中最关键的一步。特征提取的好坏对最后的诊断结果影响很大。特征提取中最关键也是最难的一步是滤波核的设置，传统特征提取过程中的滤波核主要是人工设置的，这对工程师的能力要求很高。近年来，可以自动从图像数据中学习不同层级特征的深度学习的出现，给特征工程的发展带来了曙光。如图1-2传统机器学习和深度学习流程对比所示，两种方法的处理流程类似，都是先用训练集对模型进行训练，再将需要识别的图像输入到训练好的模型中进行类别判断。但是，深度学习可以自动提取图像特征，而且提取到的特征的表达性更好。因此，越多越多的人开始用深度学习进行图像处理。图1-2传统机器学习与深度学习处理流程对比医学影像处理中与深度学习相关的应用场景主要有三个方面：鉴别诊断，发现异常和量化测量[15]，分别对应深度学习中的分类、目标检测和分割。鉴别诊断主要是判断该病变属于疾病A还是疾病B，这与深度学习中的图像分类类

哈尔滨工业大学工学硕士学位论文-10-对目标各部件检测，再把各部件的检测结果整合得到整体的检测结果。然而，DPM仍然具有传统目标检测算法中的一些常见问题。首先，基于滑动窗口生成候选区的方式比较盲目，没有针对性。这个过程的时间复杂度高，窗口冗余。其次，手工设计的特征鲁棒性不高，当目标以不同角度、不同姿态出现时，就需要设计新的特征。最后，传统目标检测方法提取的只是目标的低层特征，通常需要构建复杂的模型来提高这些低层特征的表达能力。这个过程很费时间，会降低算法的处理速度，达不到某些应用的实时性要求。2.2.2基于深度学习的目标检测深度学习的出现，极大的解决了传统目标检测提取特征难、特征鲁棒性不高的问题。利用深度学习的方法，可以用深度卷积网络自动提取目标特征，得到的特征鲁棒性很高。Google在2017年开源的目标检测应用程序编程接口（ApplicationProgrammingInterface,API）中对主流双阶段检测方法中的FasterR-CNN、R-FCN和单阶段检测方法中的SSD模型做了性能对比。将微软公司发布的MSCOCO（MicrosoftCommonObjectsinContext）数据集中分别对这三种模型进行训练和测试。实验结果表明：单阶段检测算法在检测速度上要快于双阶段检测算法，但准确性相对较差；而双阶段检测算法的准确率比单阶段更高一些，但速度稍差[38]。由于医学诊断结果关乎患者的生命安全，因此，应用到医学影像分析上的模型可靠性要好，检测的准确度要尽可能高。所以本文采用双阶段目标检测方法，经过多年的发展，双阶段检测方法在R-CNN模型的基础上又衍生出了空间金字塔池化网络（SpatialPyramidPoolingNet,SPP-Net）[39,40]、FastR-CNN、FasterR-CNN以及其它模型，如图2-1所示：图2-1双阶段检测的系列模型

【参考文献】：
期刊论文
[1]人工智能在乳腺癌诊治中的应用与思考[J]. 罗晓,李安华.  中华医学超声杂志(电子版). 2019(04)
[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]人工智能技术在医学影像中的应用讨论[J]. 萧毅,夏晨,张荣国,刘士远.  第二军医大学学报. 2018(08)
[4]人工智能医学技术发展的聚焦领域与趋势分析[J]. 李志勇,李鹏伟,高小燕,孙湛,麻良,崔泽实.  中国医学装备. 2018(07)
[5]目标检测算法研究综述[J]. 方路平,何杭江,周国民.  计算机工程与应用. 2018(13)
[6]深度学习在咽喉新生物识别中的应用研究[J]. 田永良,张劲,刘凯,汤炜,田卫东.  计算机工程与应用. 2019(03)
[7]PACS与人工智能辅助诊断的集成应用[J]. 赵一鸣,左秀然.  中国数字医学. 2018(04)
[8]人工智能糖网眼底图像识别在真实世界的应用[J]. 黄潇,谷硕,马晓晔,梁文君,张韵,高连娣,魏锐利.  情报工程. 2018(01)
[9]X射线在医学影像诊断领域的发展及应用研究[J]. 魏梦丽.  影像研究与医学应用. 2017(04)
[10]基于深度学习方法的复杂场景下车辆目标检测[J]. 宋焕生,张向清,郑宝峰,严腾.  计算机应用研究. 2018(04)

硕士论文
[1]基于深度学习的喉镜声带图像病灶辅助诊断系统的设计与实现[D]. 杨江河.厦门大学 2018
[2]基于深度学习的医学图像模式分类研究[D]. 苏宝星.浙江师范大学 2016



本文编号：3209005