基于docker的深度学习模型分割乳腺超声影像
发布时间：2020-12-23 05:24
癌症是当前医学最大的难题之一,并且相对于6发达国家的癌症治愈率60%70%,目前我国的癌症存活率仅仅为20%40%。在医疗水平上,我国医疗技术并不与发达国家有太大差异,但是由于发达国家相对于我国有着较高的早期癌症筛查率,故癌症发现早,并且大多发现为早期,很大程度上为治疗减轻了难度,提高了癌症的治愈率与存活时间。在所有癌症中,对女性威胁最大的为乳腺癌,而早期的乳腺癌治愈率最高能达到95%。癌症通常的检测手段有:血液检测,宫颈涂片,活体穿刺,肠胃镜,X光,B超,钼靶摄片等,大多数检测手段有其特定检测癌症范围。在所有的癌症检测手段中,钼靶摄片、B超、活体穿刺三种为最常使用的检测乳腺癌手段,但是钼靶摄片有着辐射性、不同场景难适用性、检测次数限制性等缺点,而活体穿刺则有着会对患者造成生理上的创伤,增加了患者的病灶恢复压力,以及可能会出现伤口感染的风险。B超相对另外两种检测手段来说在这些缺点上有着自己的优势,以及B超能灵活的拍摄各个角度、部位的影像的特性,因此B超是最常适用于乳腺癌检查的手段之一。综上所述如何通过乳腺超声影像,提高对病灶的分析,并以此提高...
【文章来源】：武汉纺织大学湖北省
【文章页数】：57 页
【学位级别】：硕士
【部分图文】：
国家癌症中心发布2017年中国最新癌症数据
2基于深度学习的图片分割模型研究62基于深度学习的图片分割模型研究对于医学图像分割的模型，主要有两种，一种是基于CNN(ConvolutionalNeuralNetwork)也就是卷积神经网络的模型，一种是基于FCN(FullConvolutionalNetworks)也就是全卷积神经的模型。神经网络其运算原理就像其名字，运算方式如同神经元一般。如图2.1所示，神经元主要由三个部分组成:树突，也就是输入端，其输入可能是来自于神经元的“感受”，也可能是来自于其他神经元的“计算”；轴突，也就是输出端，当神经元胞体激活输出信号时，信息传递给下一神经元；细胞体，也就是计算机制，对树突传输的信息进行计算，并且决定是否激活输出信号，使信息通过轴突传递到下一神经元。神经网络的结构也主要由输入层、输出层、隐藏层三层组成，对解决某一类问题函数进行近似估算。图2.1神经元生物结构图示2.1卷积神经网络卷积神经网络的计算简单来说就是将每个像素点作为一张图，输入神经网络进行训练，并且将每个点进行对应的标签像素点进行二分类，其中标签像素点像素值为1的点为正分类，标签像素点像素值为0的点为负分类，卷积神经网络计算过程如图2.2所示。
2基于深度学习的图片分割模型研究7图2.2ConvolutionalNeuralNetworks原文中计算过程卷积神经网络通常包含有：输入层、卷积层、激活函数、池化层、全连接层[32]。卷积层为卷积核在图像上进行卷积过程，提取图像特征。当输入信息变化不大时，可能会导致输出结构变成完全不同的结果，为了解决这一问题，模拟细微变化情况，使得输入和输出不仅仅是0和1，而可以是0和1中间的任何数字，所以在卷积神经网络中加入激活函数[33]。池化层的作用是对计算过后得到的特征图进行压缩，其优点是可以简化计算信息复杂度，提高计算效率，而且压缩过后的特征图能够更好的通过卷积计算出更重要的特征。基本池化方式有四种[34]：平均池化(MeanPooling),对池化核中的像素求平均值作为该池化区域的值；最大值池化(MaxPooling)，对池化核中的像素取其最大值最为该池化区域的值；重叠池化(OverlappingPooling)，池化核选取的区域会有重叠区域，其中，重叠区域会小于池化步长；空金字塔池化(SpatialPyramidPooling)，其操作可以将任意尺度的卷积后的特征图转换成同一维度，也就是使得卷积神经网络能够对任何尺度的图片进行计算，使得卷积神经网络不需要对图像进行剪裁以及扭曲等操作避免图片信息的遗失。全连接层的意义是将每一层的卷积特征进行连接，传输给分类器，通过全连接层，可以使得更多的特征信息被判断，提高分类的准确率。
【参考文献】：
期刊论文
[1]基于全卷积神经网络迁移学习的乳腺肿块图像分割[J]. 徐胜舟,程时宇. 中南民族大学学报(自然科学版). 2019(02)
[2]基于卷积神经网络的多任务图像语义分割[J]. 梁博,于蕾,李爽. 无线电工程. 2019(07)
[3]高校数据中心Docker容器应用的安全体系设计[J]. 谢超群. 网络安全技术与应用. 2019(05)
[4]基于容器技术的软件测试优化研究[J]. 刘钱超,董超群,张垚. 计算机技术与发展. 2019(04)
[5]基于改进全卷积网络的皮肤病变图像分割[J]. 杨国亮,洪志阳,王志元,龚曼. 计算机工程与设计. 2018(11)
[6]基于网络图片数据库与深度学习的人脸表情识别[J]. 赵澎桢. 中国高新科技. 2018(19)
[7]基于改进卷积神经网络结合支持向量机的行人检测算法[J]. 焦佳丽,李雷. 电视技术. 2018(09)
[8]年轻女性乳腺包块的X线及MRI征象分析[J]. 马佳琪,梁秀芬,戴强,王茵,李宏娟,申甜,宋张骏,杨晓民,袁勇. 现代肿瘤医学. 2018(18)
[9]基于卷积神经网络的视频人脸检测与识别[J]. 李淑. 电脑知识与技术. 2018(21)
[10]基于监督的全卷积神经网络视网膜血管分割[J]. 王娜,傅迎华,蒋念平. 软件导刊. 2018(08)
本文编号：2933151
【文章来源】：武汉纺织大学湖北省
【文章页数】：57 页
【学位级别】：硕士
【部分图文】：
国家癌症中心发布2017年中国最新癌症数据
2基于深度学习的图片分割模型研究62基于深度学习的图片分割模型研究对于医学图像分割的模型，主要有两种，一种是基于CNN(ConvolutionalNeuralNetwork)也就是卷积神经网络的模型，一种是基于FCN(FullConvolutionalNetworks)也就是全卷积神经的模型。神经网络其运算原理就像其名字，运算方式如同神经元一般。如图2.1所示，神经元主要由三个部分组成:树突，也就是输入端，其输入可能是来自于神经元的“感受”，也可能是来自于其他神经元的“计算”；轴突，也就是输出端，当神经元胞体激活输出信号时，信息传递给下一神经元；细胞体，也就是计算机制，对树突传输的信息进行计算，并且决定是否激活输出信号，使信息通过轴突传递到下一神经元。神经网络的结构也主要由输入层、输出层、隐藏层三层组成，对解决某一类问题函数进行近似估算。图2.1神经元生物结构图示2.1卷积神经网络卷积神经网络的计算简单来说就是将每个像素点作为一张图，输入神经网络进行训练，并且将每个点进行对应的标签像素点进行二分类，其中标签像素点像素值为1的点为正分类，标签像素点像素值为0的点为负分类，卷积神经网络计算过程如图2.2所示。
2基于深度学习的图片分割模型研究7图2.2ConvolutionalNeuralNetworks原文中计算过程卷积神经网络通常包含有：输入层、卷积层、激活函数、池化层、全连接层[32]。卷积层为卷积核在图像上进行卷积过程，提取图像特征。当输入信息变化不大时，可能会导致输出结构变成完全不同的结果，为了解决这一问题，模拟细微变化情况，使得输入和输出不仅仅是0和1，而可以是0和1中间的任何数字，所以在卷积神经网络中加入激活函数[33]。池化层的作用是对计算过后得到的特征图进行压缩，其优点是可以简化计算信息复杂度，提高计算效率，而且压缩过后的特征图能够更好的通过卷积计算出更重要的特征。基本池化方式有四种[34]：平均池化(MeanPooling),对池化核中的像素求平均值作为该池化区域的值；最大值池化(MaxPooling)，对池化核中的像素取其最大值最为该池化区域的值；重叠池化(OverlappingPooling)，池化核选取的区域会有重叠区域，其中，重叠区域会小于池化步长；空金字塔池化(SpatialPyramidPooling)，其操作可以将任意尺度的卷积后的特征图转换成同一维度，也就是使得卷积神经网络能够对任何尺度的图片进行计算，使得卷积神经网络不需要对图像进行剪裁以及扭曲等操作避免图片信息的遗失。全连接层的意义是将每一层的卷积特征进行连接，传输给分类器，通过全连接层，可以使得更多的特征信息被判断，提高分类的准确率。
【参考文献】：
期刊论文
[1]基于全卷积神经网络迁移学习的乳腺肿块图像分割[J]. 徐胜舟,程时宇. 中南民族大学学报(自然科学版). 2019(02)
[2]基于卷积神经网络的多任务图像语义分割[J]. 梁博,于蕾,李爽. 无线电工程. 2019(07)
[3]高校数据中心Docker容器应用的安全体系设计[J]. 谢超群. 网络安全技术与应用. 2019(05)
[4]基于容器技术的软件测试优化研究[J]. 刘钱超,董超群,张垚. 计算机技术与发展. 2019(04)
[5]基于改进全卷积网络的皮肤病变图像分割[J]. 杨国亮,洪志阳,王志元,龚曼. 计算机工程与设计. 2018(11)
[6]基于网络图片数据库与深度学习的人脸表情识别[J]. 赵澎桢. 中国高新科技. 2018(19)
[7]基于改进卷积神经网络结合支持向量机的行人检测算法[J]. 焦佳丽,李雷. 电视技术. 2018(09)
[8]年轻女性乳腺包块的X线及MRI征象分析[J]. 马佳琪,梁秀芬,戴强,王茵,李宏娟,申甜,宋张骏,杨晓民,袁勇. 现代肿瘤医学. 2018(18)
[9]基于卷积神经网络的视频人脸检测与识别[J]. 李淑. 电脑知识与技术. 2018(21)
[10]基于监督的全卷积神经网络视网膜血管分割[J]. 王娜,傅迎华,蒋念平. 软件导刊. 2018(08)
本文编号：2933151
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/2933151.html
