基于超声图像的卵巢常见疾病智能识别与定位
发布时间：2022-02-20 02:40
卵巢作为女性独有的一种器官,是女性拥有健康体魄必不可少的一部分。卵巢疾病以其多样性、多发性以及潜在的恶化性质,对女性的健康带来不容忽视的影响。超声检查是当前广泛使用的卵巢疾病诊断方法,但是利用超声成像设备获取图像并诊断病情需要医生拥有多年临床经验,且带有一定主观性。本课题旨在利用当前深度学习理论在图像识别与分割领域的先进研究成果,将人工智能的手段应用于卵巢疾病的临床诊断。这样可在无临床超声医生参与的情况下,实现卵巢疾病的智能识别与卵巢疾病病灶区域的实例分割,为临床医学的智能发展提供帮助。为了实现这个目标,本课题在基于卷积神经网络的卵巢常见疾病分类以及基于Mask RCNN的卵巢常见疾病病灶区域实例分割这两个方面进行了研究,具体包括以下三个部分的工作。首先,在卵巢超声图像数据集的收集整理以及预处理方面,本课题与哈尔滨医科大学附属第四医院的医生们合作收集整理了就医患者的卵巢超声图像数据,共2269张。并根据医生们归好类的文件以及专业的卵巢疾病的超声图像诊断知识,制作了卵巢超声图像分类数据集以及卵巢常见疾病实例分割数据集的分类标签以及掩码标签。接下来,本课题对卵巢超声图像分类数据集进行了常规...
【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】：66 页
【学位级别】：硕士
【部分图文】：
全景分割的示例
哈尔滨工业大学工学硕士学位论文病灶区域进行图像分割，因此忽略病灶区域周边的正常卵巢素，实现对卵巢常见疾病病灶的实例分割。如前所述，实例素级别上判断单个目标的轮廓，它能够数出一张图像上的同个数并将它们区分开来。对比深度学习在计算机视觉领域的四类、语义分割、目标检测、以及实例分割，如图 1-2 所示，实类中的卷积层实现特征提取，利用目标识别实现多种类多个利用语义分割为单个目标的提供掩码。可以说，实例分割是图以及语义分割的复合模型，深度学习在计算机视觉领域的应到了良好的集成。
图 3-1 Inception v1 即 GoogLeNet 中的 Inception 结构寸的卷积核可以带来更大的感受野，也意味着更多的参数，比如数是3 3卷积核的 25/9=2.78 倍。为了降低参数量，除了添加1 ，另一种方法是 VGG 结构中采用的利用 2 个连续的 卷积来代卷积层，保持感受野范围的同时又减少了参数量。而在 Inceptio采用了非对称的卷积结构拆分，将 n n分解成两个一维的卷样既可以进一步减少参数量，又可以使得网络深度进一步增加的多样性。本课题应用的 Inception v3 模型总共有 46 层，由 11 个 成。在 Inception v3模型中共有 96 个卷积层。输入图像的尺寸为 2n_v3 拥有非常精妙的设计和构造，整个网络的结构和分支非常学习，随机初始化网络模型的参数下，本课题在卵巢超声图像数 Inception_v3 网络模型，它的损失函数曲线如图所示。由图可见习的条件下，损失函数在大约 7 千次迭代后开始收敛。
【参考文献】：
期刊论文
[1]改进型循环生成对抗网络的血管内超声图像增强[J]. 姚哲维,杨丰,黄靖,刘娅琴. 计算机科学. 2019(05)
[2]深度学习在联合超声和钼靶检查乳腺癌中的应用[J]. 瞿微花,唐震. 现代肿瘤医学. 2019(01)
[3]深度学习算法在医学影像学中的应用及研究进展[J]. 窦瑞欣. 中国医学计算机成像杂志. 2018(05)
[4]基于深度学习的CT脑影像分类方法用于阿尔茨海默病的初步筛查[J]. 惠瑞,高小红,田增民. 中国医疗设备. 2017(12)
[5]基于深度学习和医学图像的癌症计算机辅助诊断研究进展[J]. 陈诗慧,刘维湘,秦璟,陈亮亮,宾果,周煜翔,汪天富,黄炳升. 生物医学工程学杂志. 2017(02)
[6]阴道超声单侧卵巢检查对PCOS诊断准确性的影响[J]. 张惠,邓立强,向素芳,魏秋鑫. 实用妇产科杂志. 2015(11)
[7]卵巢子宫内膜异位囊肿超声分型及其临床价值[J]. 卢万美. 广西医学. 2014(08)
[8]卵巢黄体血肿与子宫内膜异位囊肿的超声声像图对比研究[J]. 李蕊,王琦,张红薇,李素华. 临床医学工程. 2011(07)
[9]卵巢子宫内膜异位囊肿超声引导介入治疗与手术治疗疗效比较[J]. 汪龙霞,孙长坤,王军燕,高学文,张晓莉,徐虹. 中华医学超声杂志(电子版). 2008(05)
[10]150例经腹部及阴道超声监测卵泡发育的评估[J]. 冯永福,郭文招,李彬,何晓静,王苑萍. 实用医技杂志. 2007(12)
博士论文
[1]基于彩色视网膜图像的眼底病相关目标检测方法研究[D]. 戴百生.哈尔滨工业大学 2016
硕士论文
[1]基于注意力机制的三维超声影像的多尺度目标识别的研究[D]. 王晓东.西安电子科技大学 2018
[2]视网膜血管分割与动静脉分类方法研究[D]. 杨毅.哈尔滨工业大学 2016
[3]宫颈细胞图像分割方法研究[D]. 吴东东.国防科学技术大学 2012
[4]医学图像分割与三维重建[D]. 王召伟.电子科技大学 2009
本文编号：3634143
【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】：66 页
【学位级别】：硕士
【部分图文】：
全景分割的示例
哈尔滨工业大学工学硕士学位论文病灶区域进行图像分割，因此忽略病灶区域周边的正常卵巢素，实现对卵巢常见疾病病灶的实例分割。如前所述，实例素级别上判断单个目标的轮廓，它能够数出一张图像上的同个数并将它们区分开来。对比深度学习在计算机视觉领域的四类、语义分割、目标检测、以及实例分割，如图 1-2 所示，实类中的卷积层实现特征提取，利用目标识别实现多种类多个利用语义分割为单个目标的提供掩码。可以说，实例分割是图以及语义分割的复合模型，深度学习在计算机视觉领域的应到了良好的集成。
图 3-1 Inception v1 即 GoogLeNet 中的 Inception 结构寸的卷积核可以带来更大的感受野，也意味着更多的参数，比如数是3 3卷积核的 25/9=2.78 倍。为了降低参数量，除了添加1 ，另一种方法是 VGG 结构中采用的利用 2 个连续的 卷积来代卷积层，保持感受野范围的同时又减少了参数量。而在 Inceptio采用了非对称的卷积结构拆分，将 n n分解成两个一维的卷样既可以进一步减少参数量，又可以使得网络深度进一步增加的多样性。本课题应用的 Inception v3 模型总共有 46 层，由 11 个 成。在 Inception v3模型中共有 96 个卷积层。输入图像的尺寸为 2n_v3 拥有非常精妙的设计和构造，整个网络的结构和分支非常学习，随机初始化网络模型的参数下，本课题在卵巢超声图像数 Inception_v3 网络模型，它的损失函数曲线如图所示。由图可见习的条件下，损失函数在大约 7 千次迭代后开始收敛。
【参考文献】：
期刊论文
[1]改进型循环生成对抗网络的血管内超声图像增强[J]. 姚哲维,杨丰,黄靖,刘娅琴. 计算机科学. 2019(05)
[2]深度学习在联合超声和钼靶检查乳腺癌中的应用[J]. 瞿微花,唐震. 现代肿瘤医学. 2019(01)
[3]深度学习算法在医学影像学中的应用及研究进展[J]. 窦瑞欣. 中国医学计算机成像杂志. 2018(05)
[4]基于深度学习的CT脑影像分类方法用于阿尔茨海默病的初步筛查[J]. 惠瑞,高小红,田增民. 中国医疗设备. 2017(12)
[5]基于深度学习和医学图像的癌症计算机辅助诊断研究进展[J]. 陈诗慧,刘维湘,秦璟,陈亮亮,宾果,周煜翔,汪天富,黄炳升. 生物医学工程学杂志. 2017(02)
[6]阴道超声单侧卵巢检查对PCOS诊断准确性的影响[J]. 张惠,邓立强,向素芳,魏秋鑫. 实用妇产科杂志. 2015(11)
[7]卵巢子宫内膜异位囊肿超声分型及其临床价值[J]. 卢万美. 广西医学. 2014(08)
[8]卵巢黄体血肿与子宫内膜异位囊肿的超声声像图对比研究[J]. 李蕊,王琦,张红薇,李素华. 临床医学工程. 2011(07)
[9]卵巢子宫内膜异位囊肿超声引导介入治疗与手术治疗疗效比较[J]. 汪龙霞,孙长坤,王军燕,高学文,张晓莉,徐虹. 中华医学超声杂志(电子版). 2008(05)
[10]150例经腹部及阴道超声监测卵泡发育的评估[J]. 冯永福,郭文招,李彬,何晓静,王苑萍. 实用医技杂志. 2007(12)
博士论文
[1]基于彩色视网膜图像的眼底病相关目标检测方法研究[D]. 戴百生.哈尔滨工业大学 2016
硕士论文
[1]基于注意力机制的三维超声影像的多尺度目标识别的研究[D]. 王晓东.西安电子科技大学 2018
[2]视网膜血管分割与动静脉分类方法研究[D]. 杨毅.哈尔滨工业大学 2016
[3]宫颈细胞图像分割方法研究[D]. 吴东东.国防科学技术大学 2012
[4]医学图像分割与三维重建[D]. 王召伟.电子科技大学 2009
本文编号：3634143
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3634143.html
最近更新
教材专著
