基于SPECT图像和深度学习的甲状腺疾病辅助诊断研究

发布时间：2021-09-17 12:35

　　甲状腺疾病在我国的发病率高,是一种重要的内分泌系统疾病。SPECT是一种借助于单光子核素标记药物实现对人体功能和代谢信息成像的技术。不同于超声或者CT通过解剖结构对疾病进行诊断,SPECT能够反映甲状腺的功能和体内的代谢信息,在组织结构出现异常之前就较早地发现疾病,因此在临床诊断中具有无法取代的优势,在很多时候成为疑难病症诊断的最重要依据。近年来迅猛发展的深度学习技术已经成为计算机辅助诊断的重要手段之一,应用深度学习通过SPECT图像对甲状腺疾病进行计算机辅助诊断,可以有效地辅助医生提高诊断准确性、降低工作强度、提高工作效率,对甲状腺疾病的诊断和治疗具有重要意义。本文针对基于SPECT图像和深度学习的甲状腺疾病辅助诊断开展工作。通过设计卷积神经网络结构和训练算法并使用SPECT图像数据集训练网络模型,对4种甲状腺疾病:甲状腺功能亢进、亚急性甲状腺炎、桥本甲状腺炎和亚临床甲状腺功能亢进进行辅助诊断。主要内容如下:首先,研究了应用于甲状腺疾病诊断的卷积神经网络的数据增广和网络结构改进。分析SPECT图像数据集的特点,并针对数据量较少的问题设计了数据增广方法。基于Dense Net网络进行了... 

【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】：73 页

【学位级别】：硕士

【部分图文】：

SPECT数据集的部分图像

哈尔滨工业大学工程硕士学位论文-13-首先应用传统增广方法对图像进行增广。传统的图像增广方法主要有旋转、尺度变换、添加噪声和随机裁剪等。通过这些方法，使每张图像产生多种不同形态的副本，从而扩充了数据集。这些方法在不改变图像的语义特征的前提下增大了样本量，使得样本的数据分布更接近真实分布，防止模型出现过拟合。图2-4展示了旋转方法对图像的增广结果。第一张图是原始图像，随之的图像依次是顺时针旋转30°、60°、90°和120°的增广图像。图2-4旋转增广方法图2-5展示了尺度变换对图像的增广结果。第一张图像是原始图像，随之的图像依次是长宽变换为原始图像的90%、95%、105%和110%的增广图像。图2-5尺度变换增广方法图2-6展示了添加随机噪声对图像的增广结果。本课题选择正态分布的高斯噪声，下图第一张图像是原始图像，随之的图像依次是标准差为5、10、20和30的加噪图像。图2-6加噪增广方法图2-7展示了随机裁剪方法对图像的增广结果。第一张图像是原始图像，随之的图像是在图像中随机裁剪出大小为400×400的区域的结果。图2-7随机裁剪增广方法随后本课题设计了一种随机混合方法对图像进行增广。在传统的数据增广方法的基础上，我们考虑对不同的图像进行混合，应用随机混合方法对数据进行增广，随机选取两张SPECT图像并新建一张空白图像，按照同一划分方式将

哈尔滨工业大学工程硕士学位论文-13-首先应用传统增广方法对图像进行增广。传统的图像增广方法主要有旋转、尺度变换、添加噪声和随机裁剪等。通过这些方法，使每张图像产生多种不同形态的副本，从而扩充了数据集。这些方法在不改变图像的语义特征的前提下增大了样本量，使得样本的数据分布更接近真实分布，防止模型出现过拟合。图2-4展示了旋转方法对图像的增广结果。第一张图是原始图像，随之的图像依次是顺时针旋转30°、60°、90°和120°的增广图像。图2-4旋转增广方法图2-5展示了尺度变换对图像的增广结果。第一张图像是原始图像，随之的图像依次是长宽变换为原始图像的90%、95%、105%和110%的增广图像。图2-5尺度变换增广方法图2-6展示了添加随机噪声对图像的增广结果。本课题选择正态分布的高斯噪声，下图第一张图像是原始图像，随之的图像依次是标准差为5、10、20和30的加噪图像。图2-6加噪增广方法图2-7展示了随机裁剪方法对图像的增广结果。第一张图像是原始图像，随之的图像是在图像中随机裁剪出大小为400×400的区域的结果。图2-7随机裁剪增广方法随后本课题设计了一种随机混合方法对图像进行增广。在传统的数据增广方法的基础上，我们考虑对不同的图像进行混合，应用随机混合方法对数据进行增广，随机选取两张SPECT图像并新建一张空白图像，按照同一划分方式将


本文编号：3398737