面向医学图像分析的深度学习方法研究

发布时间：2023-03-27 04:55

　　医学图像分析是医学研究、诊断和治疗中必不可少的技术手段和工具,其主要作用是从医学图像中提取隐含的重要生理、病理信息或知识,因而其重要性和难度均很大。深度学习已显示出在挖掘海量、高维数据的内在结构等方面的突出能力,但目前基于深度学习的医学图像分析方面的研究工作和成果还较少。因此,本文以黑色素瘤皮肤镜图像、2D Hela荧光显微镜图像、外周血涂片白细胞显微镜图像、宫颈阴道镜图像等几种重要且典型的医学图像为对象,从图像预处理、训练集扩增、深度神经网络结构选择与改进、图像分析效果评价等方面,对面向医学图像分析的深度学习方法进行了较系统、全面的研究,具体工作和成果主要如下:1)研究了一种用于黑色素瘤图像自动分析(特征学习和分割)的改进CNN(Convolutional Neural Networks,卷积神经网络)结构,以更好地区分难辨病变如色素斑点痣与临床待定病变,减少筛查错误和提高皮肤癌诊断的准确率。其要点是:利用非线性激活函数ReLU和ELU来有效地缓解梯度消失问题;利用RMSprop和Adam优化与损失算法,以实现更快速地收敛;最后在卷积层与激活层之间增加了批归一化层(Batch Nor...

【文章页数】：144 页

【学位级别】：博士

【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1 研究背景及意义
    1.2 医学图像分析研究现状
    1.3 主要研究内容
    1.4 论文组织结构
第二章 医学图像分析基础
    2.1 无监督方法
        2.1.1 K均值聚类
        2.1.2 模糊C均值聚类
    2.2 监督方法
        2.2.1 支持向量机
        2.2.2 随机森林
    2.3 概率方法
        2.3.1 马尔可夫随机场
        2.3.2 条件随机场
    2.4 深度卷积神经网络
        2.4.1 多层神经网络
        2.4.2 卷积神经网络
    2.5 常用的卷积神经网络架构
        2.5.1 LeNet-5
        2.5.2 AlexNet
        2.5.3 ZFNet
        2.5.4 VGGNet
        2.5.5 GoogleNet
        2.5.6 ResNet
        2.5.7 全卷积神经网络
    2.6 本章小结
第三章 使用深度卷积神经网络的皮肤黑色素瘤图像分割
    3.1 引言
    3.2 卷积神经网络方法研究
    3.3 皮肤黑色素瘤图像分割方法的改进与实验
        3.3.1 数据集的准备
        3.3.2 黑色素瘤图像分割神经网络的结构优化和参数设置
    3.4 实验结果评价和讨论
    3.5 本章小结
第四章 基于分割预处理和深度学习的皮肤病变图像分类
    4.1 引言
    4.2 皮肤病变图像分类方法研究
    4.3 皮肤病变图像分类方法的改进与实现
        4.3.1 数据集的准备
        4.3.2 皮肤病变图像分割预处理
        4.3.3 皮肤病变分类网络模型的架构优化和参数设置
    4.4 实验结果评价和讨论
    4.5 本章小结
第五章 基于CapsNet-Hela神经网络的2D HeLa细胞荧光显微图像分类
    5.1 引言
    5.2 CapsNet模型方法研究
        5.2.1 胶囊单元间的传播过程
        5.2.2 动态路由算法
        5.2.3 胶囊网络的损失函数
    5.3 2D Hela图像集分类方法的改进与实验
        5.3.1 2 D HeLa图像集准备和预处理
        5.3.2 2 D HeLa图像分类
    5.4 实验结果评价和讨论
        5.4.1 实验结果评价
        5.4.2 对损失函数的讨论
        5.4.3 对路由迭代次数的讨论
    5.5 本章小结
第六章 基于图像分割预处理与CapsNet-WBC网络模型的白细胞图像分类
    6.1 引言
    6.2 白细胞图像分割与分类的方法研究、改进与实验
        6.2.1 白细胞图像数据源的获取
        6.2.2 卷积神经网络与白细胞图像分割预处理
        6.2.3 白细胞图像分类模型的改进与实验
    6.3 实验结果评价和讨论
        6.3.1 实验结果评价
        6.3.2 对损失函数的讨论
        6.3.3 与其他方法的比较
    6.4 本章小结
第七章 基于深度神经网络模型的宫颈图像分类
    7.1 引言
    7.2 宫颈图像分类的方法研究、改进与实验
        7.2.1 宫颈图像分类的基本流程
        7.2.2 宫颈图像数据源
        7.2.3 宫颈图像分割预处理
        7.2.4 CapsNet神经网络结构改进与宫颈图像分类
    7.3 实验结果评价和讨论
    7.4 本章小结
第八章 总结和展望
    8.1 总结
    8.2 展望
参考文献
致谢
附录 A 攻读博士学位期间发表的论文
附录 B 攻读博士学位期间主持与参与的项目



本文编号：3772432