基于改进Faster R-CNN的多部位病变检测系统设计与实现
发布时间：2021-10-15 14:20
高清晰度的医学CT（Computed Tomography）在临床医疗诊断中发挥着关键作用。医生可以通过CT图像对患者做出病情诊断并给出治疗方案。在目前的计算机辅助诊断系统中,现有检测功能只针对一种特定部位进行病变检测。然而,在实际的临床诊断中会发现,许多病变其实是相关的。单一部位的检测不利于医生对病情做出全面诊断。多部位的病变检测可以更早的发现病变转移并进行治疗,同时可以挖掘不同病变之间存在的关系。本文针对目前单一部位病变检测在医学诊断中的局限性,建立了一个基于改进Faster R-CNN的多部位病变检测系统。该系统能够对多个部位的CT图像进行病变检测,取得了较好的检测效果。此外,在该系统中医生和管理员能够对病人就诊信息和医生个人信息进行管理,方便医生在临床诊断中使用该系统。本文具体工作如下:（1）对数据集中的CT图像进行预处理,包括图像降噪与图像增强。对不同的降噪方法与增强方法进行分析对比,最后确定采用维纳滤波和小波变换对图像进行预处理。（2）采用改进后的Faster R-CNN网络对预处理后的CT图像进行模型训练。首先,对VGG16特征提取网络进行改进,用于增强特征图的分辨率并增...
【文章来源】：桂林理工大学广西壮族自治区
【文章页数】：72 页
【学位级别】：硕士
【部分图文】：
CT图像
桂林理工大学硕士学位论文8使用训练阶段训练好的分类器模型对样本进行测试，最后输出测试结果。对输入医学图像的预处理操作包括消除噪声与图像增强等步骤。在特征计算阶段，利用人工智能算法对预处理后的图像在形状、颜色和纹理等方面的特征进行提取，之后选取合适的算子对这些特征进行计算。分类器模型根据特征计算的结果输出判别类型。2.3深度学习及卷积神经网络2.3.1深度学习深度学习是机器学习的一种。近些年来，深度学习是机器学习中最受关注的领域。深度学习通过建立具有阶层结构的人工神经网络来实现人工智能。深度学习相比传统神经网络的区别在于，传统神经网络使用浅层网络进行学习，而深度学习通过构建多层神经网络模拟人脑进行分析学习[27]。深度学习网络具有多个隐含层以隐含节点，具有较强的学习能力与鲁棒性。目前，深度学习网络在自然语言处理、语音识别以及图像识别等领域应用广泛。典型的深度学习网络模型有卷积神经网络、DBN和堆栈自编码网络模型等。图2.3和图2.4为传统神经网络模型与深度学习网络模型。图2.3传统神经网络模型图2.4深度学习网络模型2.3.2卷积神经网络卷积神经网络是用途最广泛的一种深度学习模型。卷积神经网络在目标检测领域取得了重大的进展。近几年来，R-CNN、FastR-CNN、FasterR-CNN的出现使目标检测的速度与准确率有了大幅提升[28]。卷积神经网络在每层网络上都进行特征提龋与传统方法相比，其优点在于：卷积神经网络共享权值并且包含池化操作，能够增加网络鲁棒性并且提升数据处理的效率。卷积神经网络根据特征提取网络深度的不同，能够对物体
桂林理工大学硕士学位论文8使用训练阶段训练好的分类器模型对样本进行测试，最后输出测试结果。对输入医学图像的预处理操作包括消除噪声与图像增强等步骤。在特征计算阶段，利用人工智能算法对预处理后的图像在形状、颜色和纹理等方面的特征进行提取，之后选取合适的算子对这些特征进行计算。分类器模型根据特征计算的结果输出判别类型。2.3深度学习及卷积神经网络2.3.1深度学习深度学习是机器学习的一种。近些年来，深度学习是机器学习中最受关注的领域。深度学习通过建立具有阶层结构的人工神经网络来实现人工智能。深度学习相比传统神经网络的区别在于，传统神经网络使用浅层网络进行学习，而深度学习通过构建多层神经网络模拟人脑进行分析学习[27]。深度学习网络具有多个隐含层以隐含节点，具有较强的学习能力与鲁棒性。目前，深度学习网络在自然语言处理、语音识别以及图像识别等领域应用广泛。典型的深度学习网络模型有卷积神经网络、DBN和堆栈自编码网络模型等。图2.3和图2.4为传统神经网络模型与深度学习网络模型。图2.3传统神经网络模型图2.4深度学习网络模型2.3.2卷积神经网络卷积神经网络是用途最广泛的一种深度学习模型。卷积神经网络在目标检测领域取得了重大的进展。近几年来，R-CNN、FastR-CNN、FasterR-CNN的出现使目标检测的速度与准确率有了大幅提升[28]。卷积神经网络在每层网络上都进行特征提龋与传统方法相比，其优点在于：卷积神经网络共享权值并且包含池化操作，能够增加网络鲁棒性并且提升数据处理的效率。卷积神经网络根据特征提取网络深度的不同，能够对物体
【参考文献】：
期刊论文
[1]中值检测的迭代中值滤波算法[J]. 陈家益,董梦艺,战荫伟,曹会英,熊刚强. 现代电子技术. 2020(07)
[2]基于卷积神经网络成人肋骨骨折CT自动检测和分类的应用研究[J]. 周清清,王佳硕,唐雯,张荣国. 影像诊断与介入放射学. 2020(01)
[3]增强CT直方图分析鉴别甲状腺良恶性结节[J]. 马俊丽,段立娜,张薇,戈锐,王志军. 中国医学影像技术. 2020(01)
[4]基于双阈值-非极大值抑制的Faster R-CNN改进算法[J]. 侯志强,刘晓义,余旺盛,马素刚. 光电工程. 2019(12)
[5]小波变换图像多聚焦模糊特征自动增强仿真[J]. 海洁. 计算机仿真. 2019(11)
[6]卷积神经网络在肝包虫病CT图像诊断中的应用[J]. 刘志华,李丰军,严传波. 电子技术应用. 2019(11)
[7]人工智能与医学影像融合发展:机遇与挑战[J]. 朱文珍,胡琼洁. 放射学实践. 2019(09)
[8]基于3D CNN的鼻咽癌CT图像分割[J]. 肖银燕,全惠敏. 计算机工程与科学. 2019(08)
[9]基于全局-局部卷积神经网络的阻生牙分类[J]. 杨鎏,舒祥波. 计算机应用. 2019(S1)
[10]基于ArcReLU函数的神经网络激活函数优化研究[J]. 许赟杰,徐菲菲. 数据采集与处理. 2019(03)
硕士论文
[1]基于深度学习的分拣机器人目标识别与定位[D]. 解修亮.安徽工程大学 2019
[2]基于深度学习的医学影像检测算法[D]. 陈云.北京邮电大学 2019
[3]基于Faster R-CNN的目标检测算法的研究[D]. 伍伟明.华南理工大学 2018
[4]超声医学图像的去噪及增强研究[D]. 王绍波.安徽理工大学 2010
本文编号：3438122
【文章来源】：桂林理工大学广西壮族自治区
【文章页数】：72 页
【学位级别】：硕士
【部分图文】：
CT图像
桂林理工大学硕士学位论文8使用训练阶段训练好的分类器模型对样本进行测试，最后输出测试结果。对输入医学图像的预处理操作包括消除噪声与图像增强等步骤。在特征计算阶段，利用人工智能算法对预处理后的图像在形状、颜色和纹理等方面的特征进行提取，之后选取合适的算子对这些特征进行计算。分类器模型根据特征计算的结果输出判别类型。2.3深度学习及卷积神经网络2.3.1深度学习深度学习是机器学习的一种。近些年来，深度学习是机器学习中最受关注的领域。深度学习通过建立具有阶层结构的人工神经网络来实现人工智能。深度学习相比传统神经网络的区别在于，传统神经网络使用浅层网络进行学习，而深度学习通过构建多层神经网络模拟人脑进行分析学习[27]。深度学习网络具有多个隐含层以隐含节点，具有较强的学习能力与鲁棒性。目前，深度学习网络在自然语言处理、语音识别以及图像识别等领域应用广泛。典型的深度学习网络模型有卷积神经网络、DBN和堆栈自编码网络模型等。图2.3和图2.4为传统神经网络模型与深度学习网络模型。图2.3传统神经网络模型图2.4深度学习网络模型2.3.2卷积神经网络卷积神经网络是用途最广泛的一种深度学习模型。卷积神经网络在目标检测领域取得了重大的进展。近几年来，R-CNN、FastR-CNN、FasterR-CNN的出现使目标检测的速度与准确率有了大幅提升[28]。卷积神经网络在每层网络上都进行特征提龋与传统方法相比，其优点在于：卷积神经网络共享权值并且包含池化操作，能够增加网络鲁棒性并且提升数据处理的效率。卷积神经网络根据特征提取网络深度的不同，能够对物体
桂林理工大学硕士学位论文8使用训练阶段训练好的分类器模型对样本进行测试，最后输出测试结果。对输入医学图像的预处理操作包括消除噪声与图像增强等步骤。在特征计算阶段，利用人工智能算法对预处理后的图像在形状、颜色和纹理等方面的特征进行提取，之后选取合适的算子对这些特征进行计算。分类器模型根据特征计算的结果输出判别类型。2.3深度学习及卷积神经网络2.3.1深度学习深度学习是机器学习的一种。近些年来，深度学习是机器学习中最受关注的领域。深度学习通过建立具有阶层结构的人工神经网络来实现人工智能。深度学习相比传统神经网络的区别在于，传统神经网络使用浅层网络进行学习，而深度学习通过构建多层神经网络模拟人脑进行分析学习[27]。深度学习网络具有多个隐含层以隐含节点，具有较强的学习能力与鲁棒性。目前，深度学习网络在自然语言处理、语音识别以及图像识别等领域应用广泛。典型的深度学习网络模型有卷积神经网络、DBN和堆栈自编码网络模型等。图2.3和图2.4为传统神经网络模型与深度学习网络模型。图2.3传统神经网络模型图2.4深度学习网络模型2.3.2卷积神经网络卷积神经网络是用途最广泛的一种深度学习模型。卷积神经网络在目标检测领域取得了重大的进展。近几年来，R-CNN、FastR-CNN、FasterR-CNN的出现使目标检测的速度与准确率有了大幅提升[28]。卷积神经网络在每层网络上都进行特征提龋与传统方法相比，其优点在于：卷积神经网络共享权值并且包含池化操作，能够增加网络鲁棒性并且提升数据处理的效率。卷积神经网络根据特征提取网络深度的不同，能够对物体
【参考文献】：
期刊论文
[1]中值检测的迭代中值滤波算法[J]. 陈家益,董梦艺,战荫伟,曹会英,熊刚强. 现代电子技术. 2020(07)
[2]基于卷积神经网络成人肋骨骨折CT自动检测和分类的应用研究[J]. 周清清,王佳硕,唐雯,张荣国. 影像诊断与介入放射学. 2020(01)
[3]增强CT直方图分析鉴别甲状腺良恶性结节[J]. 马俊丽,段立娜,张薇,戈锐,王志军. 中国医学影像技术. 2020(01)
[4]基于双阈值-非极大值抑制的Faster R-CNN改进算法[J]. 侯志强,刘晓义,余旺盛,马素刚. 光电工程. 2019(12)
[5]小波变换图像多聚焦模糊特征自动增强仿真[J]. 海洁. 计算机仿真. 2019(11)
[6]卷积神经网络在肝包虫病CT图像诊断中的应用[J]. 刘志华,李丰军,严传波. 电子技术应用. 2019(11)
[7]人工智能与医学影像融合发展:机遇与挑战[J]. 朱文珍,胡琼洁. 放射学实践. 2019(09)
[8]基于3D CNN的鼻咽癌CT图像分割[J]. 肖银燕,全惠敏. 计算机工程与科学. 2019(08)
[9]基于全局-局部卷积神经网络的阻生牙分类[J]. 杨鎏,舒祥波. 计算机应用. 2019(S1)
[10]基于ArcReLU函数的神经网络激活函数优化研究[J]. 许赟杰,徐菲菲. 数据采集与处理. 2019(03)
硕士论文
[1]基于深度学习的分拣机器人目标识别与定位[D]. 解修亮.安徽工程大学 2019
[2]基于深度学习的医学影像检测算法[D]. 陈云.北京邮电大学 2019
[3]基于Faster R-CNN的目标检测算法的研究[D]. 伍伟明.华南理工大学 2018
[4]超声医学图像的去噪及增强研究[D]. 王绍波.安徽理工大学 2010
本文编号：3438122
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3438122.html
最近更新
教材专著
