基于卷积神经网络的宫颈病变图像分类方法研究

发布时间：2020-12-25 20:04

　　宫颈癌不仅在女性生殖器官肿瘤中占首位,而且是女性各种恶性肿瘤中最常见的。通过早期的宫颈筛查工作,可以有效地降低女性患宫颈癌的风险,同时可以有针对性的对早期的宫颈病变进行观察和诊断。醋酸实验是早期宫颈癌主要的筛查方法,临床医生需要通过肉眼来观察醋酸实验的结果。由于人工阴道镜局部醋酸实验存在较多的干扰因素,主要表现为专业医生主观诊断性过强、资质及水平不同、诊断过于复杂以及容易导致漏判误判等。在上述研究背景下,实现智能化宫颈病变图像筛查系统具有重要意义。近年来,随着宫颈筛查技术的发展,积累了大量的宫颈病变图像数据,为宫颈病变医学图像的研究提供了丰富的数据源。目前,深度学习技术已经成功应用于医疗辅助诊断领域,通过深度学习技术对宫颈病变图像进行预测将会有效地提高诊断的准确率。本文首先使用卷积神经网络对宫颈病变图像进行分类预测,结合Inception和ResNet的优点提出一种改进的模型Inception-ResNet,并利用迁移学习来对模型进行训练,然后对比了几种常见的卷积神经网格模型的效果。针对卷积神经网络的不足,本文又引入了胶囊神经网络,在融合卷积神经网络的基础上,提出了CNN-CapsNe... 

【文章来源】：华侨大学福建省

【文章页数】：68 页

【学位级别】：硕士

【部分图文】：

前向反馈神经网络（多层感知器）

在公式2.6中,f(?)是原始图片或者特征图,g(?)作为卷积核。图2.2展示了卷积神经网络中的卷积操作过程,卷积核函数为。对于图2.2中左边7×7的图像,使用3×3的卷积核,设滑动步长为1,卷积一次后,生成的图像即为特征图,特征图的大小可以通过卷积核以及滑动步长计算,大小为(7-3+1)×(7-3+1),即5×5。在卷积层中,不同大小和参数的卷积核可以提取不同的图像特征,通过训练多个不同的核函数来提取图像中的不同特征,同时可以将核函数应用到多个特征图中,生成下一层卷积需要的特征图,如公式（2.7）[45]所示。

最大池化的操作过程可以描述如下,其中图2.3为4×4的矩阵数据,图2.4为2×2,步长为2的最大池化操作,图2.5是按照最大池化结果。图2.4最大池化操作


本文编号：2938305