基于卷积神经网络的数字病理图像乳腺癌识别方法研究

发布时间：2021-01-09 05:00

　　在癌症治疗过程中,对肿瘤进行早期的准确诊断、定位、识别是对其进行后续治疗的关键。本文围绕乳腺癌的检测精度与速度,对深度学习技术在数字病理图像的乳腺癌检测中的分割精度和效率进行系统的分析和研究,并且提出多分辨率结合的全片预测,实现数字化乳腺组织全切片的病变区域诊断,为人工阅片提供计算机辅助诊断,论文的主要研究工作有以如下几点:1、针对Unet分割精度低问题,提出了AC-Unet分割模型,在传统分割模型Unet基础上进行3点改进:1)减少池化层,减缓小像素目标的丢失;2)编码阶段引入空洞卷积,增大网络的感受野,提升分割精度;3)引入ResNet网络中的类残差结构与特征融合方式,强化语义特征信息。对改进模型进行实验结果分析,相对于其他方法的Unet模型、TernausNet模型,AC-Unet模型取得了较好的效果,mIoU值分别提升了10.5%和8.81%。2、针对分割模型实际运用时分割效率问题,提出一种具有高效率的DS-AC-Unet分割模型,在高精度的分割模型AC-Unet基础上进行3点改进:1)引入深度可分离卷积,优化网络参数,提升模型运行速度;2)在空洞卷积层后加入BN层,加快模型的... 

【文章来源】：华侨大学福建省

【文章页数】：72 页

【学位级别】：硕士

【部分图文】：

深度学习助力医学图像

第1章绪论51.2.2基于卷积神经的语义分割研究现状1943年心理学家McCulloch和数学逻辑学家Pitts建立最早的神经网络MP模型[19]。Hebb在1949年，对生物神经网络提出了学习的思想[20]，在1958年，感知器模型及其学习算法被Rosenblantt提出[21]，到了20世纪八十年代，感知机模型引发了神经网络的重生[22]，最受研究者欢迎的模型包括：Hopfied神经网络[23]、玻尔兹曼机(RBM)[24]和多层感知机(MLP)[25]，多层感知机最早是通过数据的分组训练[26]，一种由多层节点相有向图构成的前馈的神经网络相构成多层感知机[27]。图像分割与目标检测等其他图像处理领域是由卷积神经网络从最初被设计出来图像分类的网络发展而来，只是被后续的研究通过修改卷积神经网络结构将其拓展到如今蓬勃发展的趋势。深度学习模型的输入数据是未经过任何人工处理过的原始样本形式，再通过堆叠在输入层上众多操作层对数据进行处理。卷积层堆叠操作整体可看作一个复杂的函数fCNN，深度模型的训练则在最终损失函数的损失值的驱动下对模型进行参数更新，还将误差反向传播[28]，由损失函数由数据损失和数据的正则化损失共同组成至整个网络层。卷积神经网络的训练过程可以简单抽象为从原始数据向数据标签的进行拟合，中间的这些运算部件起到了将原始数据映射为相关的语义特征，再映射为标记样本的作用。卷积神经网络基本流程框图如下图1-2所示：图1-2卷积神经网络基本流程图

华侨大学硕士学位论文6基于卷积神经网络算法在物体识别和分类领域效果卓越，将图像的分类思想运用于对图像中的目标进行像素级别分类，也就是如今的语义分割。医学图像太大而且难以处理，早期的工作方向是通过对整张输入图像进行滑动窗口切片。基于卷积神经网络的语义分割模型的目标就是通过自顶向下的方式得到一个深度学习模型，基于卷积神经网络的语义分割模型能够对输入图像中的每一个像素准确预测，经过模型测试后可将每一个像素进行预测出一个具有语义的像素标签，预测出的像素标签中的每一个颜色对应一个类别，语义分割其流程图如图1-3所示。图1-3语义分割流程图在2015年，全卷积神经网络（FullyConvolutionNetwork,FCN）语义分割模型[29]被提出以来，如图1-4所示。该方法的强大的优势让人们重新定义了语义分割。过去人们对于图像的语义分割的认识只有区域级别的聚类，到现在深度学习技术的发展转变成了像素级别的分类。一般来说如今出现的基于卷积神经网络模型的语义分割算法都是基于FCN模型改进和演化的产物。基于迁移学习的FCN来完成语义分割任务，这种方法使用VGG16[30]作为特征提取器，去掉了VGG16中最后的池化层以及全连接层，并使用VGG16中32


本文编号：2966018