基于卷积神经网络的肝硬化识别

发布时间：2021-01-07 08:56

　　肝硬化是人们消化系统中的常见病,许多原因会引起肝硬化的产生,威胁人们生命健康。因此,研究肝硬化的识别具有十分重要的现实意义。但由于临床医师在基于医学影像的肝部疾病诊断中会存在一定的主观误差,且肝部影像存在病理纹路不清晰、纹理特征不均匀等问题。所以,利用计算机辅助诊断技术进行肝硬化的诊断有助于提高临床诊断的效率和准确率。传统机器学习通过多种特征提取算法,形成特征向量,将特征向量输入分类器对进行分类,诊断识别准确率不高,且存在大量时间和人力的浪费问题,所以传统的机器学习不能满足诊断需求。对于以上所存在的缺点,本文又采用了深度学习算法,其具有自动学习卷积神经网络中更具区分性的特征的能力,很好的解决了上述问题并且提高了识别区分肝硬化与正常肝病理图像的准确率。本文主要提出了两种深度学习识别算法:（1）采用改进的一种基于数据增广的多尺度多特征卷积神经网络（Multi-Scale and Multi Feature CNN）模型。首先,在有限的肝硬化数据集上进行数据增广,将三种不同尺度的样本作为模型输入,模型同时学习到了不同尺度的特征;然后,将网络不同层的多尺度信息做加权求和;此外,改进了分类器权重... 

【文章来源】：青岛大学山东省

【文章页数】：53 页

【学位级别】：硕士

【部分图文】：

LeNet模型

青岛大学硕士学位论文5第二章肝硬化识别与特征提取肝硬化是在肝部疾病中属于较为常见的病症，发病周期较漫长。它是由于肝细胞遭遇病毒或其他物质入侵造成的。肝部的再生细胞不再按常规规律生长，脱离肝脏的纤维支架，产生假小叶和结节。而且，产生的结节之间的容易挤压产生血流流向紊乱等现象。病情若不早发现早治疗容易造成不可逆的另类疾病，严重时将会威胁人类生命。正常肝脏的超声图像呈均匀细小点状回声，纹理规则、清晰且平滑度较高，而肝硬化B超图像存在纹理分布不均不规则，且有斑点状的回声等特征，如图2.1所示：图2.1正常肝与肝硬化对比2.1样本选取及特征处理本文实验训练和测试的样本数据，均通过青岛大学附属医院的肝胆影像科获得的超声B超肝脏影响，并且在经验丰富的临床医师指导下采用Matlab提取实验所需样本的感兴趣区域（RegionsOfInterest,ROI），采用56×56的像素大小图像作为样本，是由于若样本像素尺寸过大，不仅会包含其他的生理组织影响模型判断，而且影响医学系统开销导致效率低下。因此，通过不断的调试和对比，在16×16，32×32，56×56，64×64，128×128等中选取了56×56为最优化的方法，如图2.2所示。图2.2两类肝脏图像的ROI提取下图显示模型的数据集的一部分样本示意图。

青岛大学硕士学位论文5第二章肝硬化识别与特征提取肝硬化是在肝部疾病中属于较为常见的病症，发病周期较漫长。它是由于肝细胞遭遇病毒或其他物质入侵造成的。肝部的再生细胞不再按常规规律生长，脱离肝脏的纤维支架，产生假小叶和结节。而且，产生的结节之间的容易挤压产生血流流向紊乱等现象。病情若不早发现早治疗容易造成不可逆的另类疾病，严重时将会威胁人类生命。正常肝脏的超声图像呈均匀细小点状回声，纹理规则、清晰且平滑度较高，而肝硬化B超图像存在纹理分布不均不规则，且有斑点状的回声等特征，如图2.1所示：图2.1正常肝与肝硬化对比2.1样本选取及特征处理本文实验训练和测试的样本数据，均通过青岛大学附属医院的肝胆影像科获得的超声B超肝脏影响，并且在经验丰富的临床医师指导下采用Matlab提取实验所需样本的感兴趣区域（RegionsOfInterest,ROI），采用56×56的像素大小图像作为样本，是由于若样本像素尺寸过大，不仅会包含其他的生理组织影响模型判断，而且影响医学系统开销导致效率低下。因此，通过不断的调试和对比，在16×16，32×32，56×56，64×64，128×128等中选取了56×56为最优化的方法，如图2.2所示。图2.2两类肝脏图像的ROI提取下图显示模型的数据集的一部分样本示意图。


本文编号：2962271