基于深度学习的脂肪肝B超图像识别方法研究

发布时间：2021-11-27 21:11

　　脂肪肝是引起肝功能不全的主要原因,B超已经成为了是目前检测脂肪肝最常用的手段。随着计算机技术及医疗成像技术的迅速发展,医生也面领着越来越多的医学图像诊断任务,为了减轻医生工作压力,计算机辅助诊断系统就显得尤为重要。近年来,深度学习取得了飞速发展,在各个领域都取得了巨大突破。在医疗辅助诊断系统中,深度学习极大地提高了诊断效率,但是对于脂肪肝超声图像识别还未出现相关成熟的研究成果。因此,基于深度学习的肝脏超声图像分类研究具有重要的实际应用价值。针对基于深度学习神经网络的脂肪肝超声图像分类问题中,本文主要探讨了网络模型的建立,参数选择及优化方法等。主要工作有:1、验证了卷积神经网络对脂肪肝超声图像分类的可行性,提出了一种基于卷积神经网络（Convolutional Neural Networks,CNN）的辅助诊断算法用于分类脂肪肝超声图像。该方法先是对真实的超声脂肪肝图像进行预处理,然后通过灰度共生矩阵和对卷积中间过程可视化对其纹理特征进行分析,最后根据纹理特征设计出一个包含跳跃连接的浅层CNN网络,再对比CNN不同参数的分类准确率,最终确定一个最优的CNN模型结构。实验结果表明,与其他分... 

【文章来源】：北京化工大学北京市 211工程院校 教育部直属院校

【文章页数】：80 页

【学位级别】：硕士

【部分图文】：

图１－１深度学习与机器学习的发展历程??Ｆｉｇ．?１－１?Ｄｅｖｅｌｏｐｍｅｎｔ?ｏｆ?ｄｅｅｐ?ｌｅａｒｎｉｎｇ?ａｎｄ?ｍａｃｈｉｎｅ?ｌｅａｒｎｉｎｇ??

?第二章基于ＣＮＮ的脂肪肝超声图像分类方法研宄???第二章基于ＣＮＮ的脂肪肝超声图像分类方法研究??２．１概述??脂肪肝是一种非常普遍的肝脏疾病，在普通人群中患病率大概在１５％左右，但是??每天饮酒超过６０克、酒精度大于４５％或者是肥胖的人群患病率会超过７５％，如果同??时患有肥胖症并且每天大量饮酒的人患病率会高达９５％。在中国大约有２０％到３０％的??人患有不同程度脂肪肝，而在西方国家也有３０％左右的人患有脂肪肝，并且脂肪肝患??者的数量还在不断增加［３（）］。??图２－１是由专业医生诊断的正常脂肪肝超声图像。正常肝脏的回声性要等于或者??小于肾的回声性，图片比较清晰，可以观察出肾脏内部有血管。如果肝脏上面沉淀了??较多的脂肪，会影响到肝脏的回声性，超声的回声会衰减程度与脂肪肝严重程度成正??比，如果是属于重度脂肪肝，那么回声会衰减非常明显，得到的超声图像就会变得模??糊’很难看清肝脏内部结构。???Ｌｌ，?１??图２－１正常的脂肪肝超声图像??Ｆｉｇ．２－１?Ｎｏｒｍａｌ?ｆａｔｔｙ?ｌｉｖｅｒ?ｕｌｔｒａｓｏｕｎｄ?ｉｍａｇｅ??Ｂ超图像已经是医生在诊断病人是否患有脂肪肝的重要依据。随着深度学习技术??在医学领域不断地发展，在很多疾病的诊断方面，它可以帮助医生进行辅助治疗，甚??９??

?第二章基于ＣＮＮ的脂肪肝超声图像分类方法研究???大多数的图像分类任务中，数据增强是常用于扩展数据集的方法。它能够提高数??据集的质量，使得训练后的模型具有更高的准确率和更强的鲁棒性。本文的数据集是??脂肪肝超声医学图像，医学图像不囘于自然图像，它的质量和数量都要小于自然图像。??尤其是数量，在训练深度学习或者机器学习模型时，往往很难有大规模带标签医学图??像数据集。??｜｜??图２－５图片旋转??Ｆｉｇ．２－５?Ｉｍａｇｅ?ｒｏｔａｔｉｏｎ??数据增强常用的方法主要有：裁剪、反转、旋转等，这些常用的方法己经证明了??可以提高数据的有效性，增强训练模型的鲁棒性。因此，本实验通过反转和旋转数据??增强来提升数据集的数量，对于训练图像数据集，每一类增加３０张图像。从训练集??原有的图片中随机抽取３０张图片，对每一张图片进行如图２－５的操作，分别旋转９０??度、１８０度、２７０度。然后将抽出的３０张原始图像和旋转后的图像放回训练集，对四??类图像的训练集都进行这样操作，这样每类图像训练集就扩展到了?２８０张。??根据超声成像的特性，四种不同类型的脂肪肝对超声的衰减程度不同，因此图像??在灰度上也存在一定差异。图２－６是对四类图像灰度值进行的定量和统计分析。??Ｃｌ，Ｃ２，?Ｃ３和Ｃ４分别对应于正常、轻度、中度和重度脂肪肝图像。不同的类??别灰度存在一定的差别。因此，首先是基于像素级特征，基于两组｛Ｃｌ，?Ｃ２｝、｛Ｃ３，??Ｃ４｝对图像做一个预处理。??Ｃ１和Ｃ２类的输入块图像的总平均值通过公式（２－１）计算出中，其中ｎ是代表Ｃ１??和Ｃ２类的总得训练集数据量。??１３??


本文编号：3523054