基于深度卷积神经网络的医学影像诊断关键技术研究

发布时间：2020-08-01 20:30

【摘要】：目前,卷积神经网络模型已经被广泛应用于完成各类智能任务,例如:人脸识别、文字识别、证件/车牌识别等。其解决计算机视觉问题的强大能力已在在多个自然场景任务中得到了验证。医学影像辅助诊断场景是一个复杂的场景,涉及多种类型的图像。其中包括:普通二维图像(例如:眼底图像,皮肤图像),超大分辨率图像(例如:数字病理切片图像)和三维影像(例如:CT、MRI)。该领域还有许多问题有待研究,例如:是否能够迁移已有的成功模型处理不同类型的医学图像并得出正确的诊断结论;模型处理能力是否能达到临床使用要求等。本文总结了卷积神经网络在医学影像诊断模型设计领域的研究进展,针对适配不同的数据格式、迁移已有的模型、特定应用场景优化、平衡模型的速度、精度、可解释性等指标,提高模型的可用性等问题展开研究。提出了一种普通二维医学图像数据处理方法,并针对糖尿病视网膜病变检测场景构建了 Trans-DRNet模型。该模型借鉴了医生的实际诊疗过程,通过两级卷积神经网络完成了对双眼特征的有效融合,更好的表征了疾病的严重程度。另外,在模型求解过程中分析了不同求解方法的优劣,阐述了不同求解方法的适用场景。实验表明,该模型具备较强的病变图像分类能力。提出了一种超大分辨率医学图像数据处理方法,并针对乳腺癌前哨淋巴结转移检测场景构建了Trans-TumorNet模型。该模型结合了微观尺度上的卷积神经网络与宏观尺度上的形态学计算,构建了肿瘤区域信息提取的完整链条,具备较强的肿瘤图像分类能力。另外,针对如何平衡模型效率、模型性能和模型可解释性,本文通过细致观察医生阅片的过程,提出了能够利用多分辨率特征的MMFE方法用于对Trans-TumorNet模型的改进,并取得了良好的效果。提出了一种三维医学影像数据处理方法,并针对早期肺癌筛查场景构建了 Trans-LungNet模型。该模型利用两个结构完全不同的卷积神经网络分别提取结节特征和特殊组织特征,完成了对三维影像的结构化处理。实验表明,该模型具备较强的三维图像分类能力。另外,在时间维度拓展方面,本文通过提出Trans-USNet模型探索了物体检测模型在乳腺超声结节检测场景下的应用。该模型通过对问题的分解,将结节检测和结节分类分为两个阶段分别处理,兼顾了视频处理对速度的要求和临床诊断对精度的要求。实验表明该模型能够高效处理视频数据,具备较强的结节检测和分类能力。提出了一种卷积神经网络模型可用性改进的一般方法。本文指出可用性改进需要提高模型的可解释性和易用性。对于模型的可解释性改进,提出了利用基于分类梯度映射,标记出显著影响诊断结果的特征来源区域的方法。对于模型易用性改进,提出了利用WebService和异步消息队列,将模型封装为服务的方法。同时,为了验证该方法可有效性,本文利用这一方法对Trans-DRNet模型进行了改进,通过可解释性改进和易用性改进分别创建了报告系统和移动应用,获得了良好的效果。综上所述,本文基于对卷积神经网络性质的研究,提出了针对多种类型医学图像数据的处理方法,并针对多个典型场景进行了深入分析与建模实践。指出了利用卷积神经网络构建具体模型时所需要考虑的各方面的因素,并探索了不同图像数据结构下模型构建的共性过程。本文提出的模型构建与改进方法具有较强的通用性,对未来更大范围的医学图像建模工作具有积极的指导意义。
【学位授予单位】：北京邮电大学
【学位级别】：博士
【学位授予年份】：2019
【分类号】：TP391.41;TP183
【图文】：

卷积运算,电路分析,意义,卷积

型提供了思路，并为神经网络的再次崛起铺平了道路。逡逑在ＣＮＮ中，卷积层的数据处理通常包括三个步骤。首先，卷积层通过多次计算获得一组线性变换输出；然后，非线性激活函数作用在每一个线性输出上进测；最后，可以使用池化函数来更进一步地调整卷积层的输出。这一过程包含了邋Ｃ的核心思想。逡逑２．２．２卷积计算逡逑在泛函分析中，卷积是通过两个函数；ｃ和ｗ生成第三个函数的一种数学算子，征函数Ｘ与Ｗ经过翻转和平移的重叠部分的面积。逡逑设：ｘ（ａ），ｗ（ａ）是Ｍ上的两个可积函数，作积分：逡逑＾（ｔ）邋＝邋／邋ｘ（ａ）ｗ（ｔ邋—邋ａ）ｄａ这样，随着ｔ的不同取值，这个积分就定义了一个新函数Ｓ（ｔ），称为函数；Ｃ与卷积，记为：逡逑ｓ（ｔ）邋＝邋（＾邋＊邋ｗ）（ｔ）这种运算就叫做卷积运算，卷积运算通常用＊表示。逡逑其物理含义如图２－１所示：逡逑

二维卷积,例子,卷积

图２－１展示了方形脉冲波和指数衰退脉冲波的卷积。重叠部分的面积就相当于“时刻的卷积。由于ｗ是对称的，所以在这张图中，翻转并不会改变它的形状。逡逑一般地，当使用计算机处理数据时，输入会被离散化，需要使用离散形式的卷积事实上，从离散角度看卷积，会更加清楚。逡逑对于两个序列ｘ（ａ）和ｗ0），一般可以将其卷积定义为：逡逑＾（０邋＾逦－邋ａ）逦２在ＣＮＮ的术语中，第一个参数（函数ｘ）叫做输入，第二个参数（函数ｖｖ）叫核函数。输出有时被称为特征映射。逡逑如果把二维图像／作为输入，则也相应的需要使用二维的核逡逑Ｓ（ｉ，ｊ）邋＝邋（／邋＊Ｋ）（ｉ，ｊ）邋＝邋＇ＺｍＩ．ｎＫｍ，ｎ）Ｋ（ｉ邋－ｍ，ｊ邋－ｎ）逦２卷积核在计算机视觉和图像处理中被称为“滑动函数”，在信号处理中被称为滤而且是线性滤波，即：输出像素是输入域像素的加权和。图２－２演示了一个在二维量上的卷积运算的例子。逡逑输入逦逡逑

卷积核,机器学习系统,卷积运算,神经网络

逡逑图２－２描述的是输入数据大小为４Ｘ４，卷积核大小为２Ｘ２。在进行行列步长均逡逑为１，不经边界填充的卷积计算的计算步骤。经过计算，输出数据大小为３Ｘ３。逡逑不同的卷积核有不同的功能，例如，下面五个卷积核可以对原始图像分别进行锐逡逑化（Ｓｈａｒｐｅｎ）、模糊（Ｂｌｕｒ）、边缘增强（ＥｄｇｅＥｎｈａｎｃｅ）、边缘检测（ＥｄｇｅＤｅｔｅｃｔ）和逡逑凸印Ｉ邋（Ｅｍｂｏｓｓ）。逡逑■邋0邋－１邋0邋］逦ｒｉ邋ｉ邋１］逦ｒ－２邋－ｉ邋0＇逡逑Ｓｈａｒｐｅｎ邋＝邋—邋１邋５邋—１邋Ｂｌｕｒ邋—１１１邋Ｅｍｂｏｓｓ邋＝邋—邋１邋１邋１逡逑．０邋－１邋０邋Ｊ邋Ｌｌ邋１邋ｌＪ逦Ｌ邋０邋１２．逡逑■邋０逦０邋０］逦ｒｏ邋１邋Ｏ＇逡逑Ｅｄｇｅ邋Ｅｎｈａｎｃｅ邋＝—１１０邋Ｅｄｇｅ邋Ｄｅｔｅｃｔ邋＝１—４１逡逑．０邋０邋ｏＪ逦Ｌｏ邋１邋０．逡逑在实际图像上应用这五种卷积核做滑动窗口卷积运算，结果图２－３所示：逡逑原图逦锐化逦模糊逡逑Ｈｉ邋Ｈｉ邋ＷＭ．逡逑ＨＩ邋Ｉ邋＾逦Ｗ％逡逑边缘增强逦边缘检测逦凸印逡逑图２－３五种卷积核的实际直观表现逡逑从神经网络的角度看，卷积运算是通过三个重要的思想来帮助改进机器学习系统逡逑的：逡逑１、稀疏交互（ｓｐａｒｓｅ邋ｉｎｔｅｒａｃｔｉｏｎｓ）逡逑在传统的深度神经网络中，使用的仅仅是在感知机基础上的深度网络，每一层都逡逑是全连接的，例如：一个１００Ｘ１００的图像可以表示为一个长度为１００００的向量，如逡逑果在第一个隐藏层的节点数和输入层一样，那么需要的参数就达到了邋１００００Ｘ逡逑１５逡逑

【相似文献】