基于深度学习的乳腺肿瘤图像识别研究
发布时间：2021-01-24 13:22
医学图像是当今医学诊查的主要方式,乳腺钼靶影像更是肿瘤及癌症筛查的首要方式,由于传统的钼靶影像需要放射科医生在几百张图片中进行人工的筛选,耗费大量的时间和精力甚至会漏检、误检。随着神经网络技术的日益成熟,越来越多的学者深度学习算法应用于医学图像的分割与识别中,目标检测算法是针对医学图像中的肿瘤检测最有效的手段之一。本文构建了标准的用于深度学习目标检测的乳腺钼靶X线肿瘤数据集,研究并实现了基于YOLOv3算法改进的肿瘤检测模型。本文主要工作如下:（1）针对缺少标准的可适用于深度学习训练的乳腺肿瘤图像数据集,根据与肿瘤医院的合作,采集近2000张乳腺钼靶X线图像,并通过数据均衡、数据增广、CLAHE算法预处理及部分数据去噪之后构建出10000张左右可用于训练与测试的标准数据集。（2）设计了基于YOLOv3的目标检测模型并将其应用于乳腺肿瘤图像的训练与检测实验之中,通过对实验结果的不断剖析和研究,对构建的网络模型进行不断的优化,首先将基于IOU的度量损失方式替换为GIOU回归损失方式以得到更好的位置关系,其次将原来YOLOv3的残差模块设计为小型的U型结构,每个尺度的特征图对应一个U型结构来...
【文章来源】：沈阳工业大学辽宁省
【文章页数】：56 页
【学位级别】：硕士
【部分图文】：
乳腺癌诊断与CAD系统
目标是设计并实现基于深度学习的乳腺肿瘤图像识别模型，实现对于大量乳腺肿瘤图像的分析与识别，并对运用于乳腺肿瘤识别的深度学习算法进行改进，使目标检测算法可以更好地定位乳腺肿瘤，并高精度的实现良恶性肿瘤分级的效果。研究内容分为图像分析与处理及乳腺肿瘤识别两部分。本课题采集图像均来自肿瘤医院10年内的2000例乳腺钼靶影像，其中1000例左右为良性肿瘤、500例左右为恶性肿瘤及500例左右的正常图像，图像的采集要标准且规范，拍摄角度很小的偏差将影响到乳腺肿瘤的处理及分割且容易造成乳腺肿瘤图像识别的错误，图1.2为采集的三位病人的原始乳腺肿瘤图像示例。图1.2原始乳腺肿瘤图像示例Fig.1.2Exampleofrawbreasttumorimage
沂屎闲∧勘昙觳獾腨OLOv3算法作为参考，本章主要介绍YOLO、YOLOv2及YOLOv3的进化及在本文数据集上的应用过程，详细阐述基本原理、网络结构及训练过程。2.1深度学习概述深度学习就是由许多神经元构成能够进行学习和分析的神经网络，神经元都会产生激活值并由感知环境的传感器激活[22]。深度学习能够学习表示高阶抽象概念的复杂函数，解决目标识别、语音感知和语言理解等人工智能相关的任务[23]，可以从图像、语音等数据中提取浅层或深层的信息并应用于分类及回归等相关任务之中。网络的不断更迭引出了深度学习这一领域，如图2.1所示模型是包含若干个隐藏层的感知器，这种结构可以将输入数据的浅层特征进行组合来形成较为抽象的高层特征或者间接的给出数据的高层分类，一般是以发现数据的分布式特征表示[24]。图2.1深度学习模型Fig.2.1Deeplearningmodel深度学习的算法主要通过半监督式或者非监督式的结构，将更细小多元的元素特征进行输入和分析之后对元素进行特征分类和结构划分。Hinton等在2006年提出神经网络用于解决更加深层的复杂结构的问题，在置信网络（DBN）的基础算法上进而提出的更加深层次分析的非监督逐层训练算法[25]。在此之后，研究者们在Hinton的研究基础之上陆续在沈阳工业大学硕士学位论文
【参考文献】：
期刊论文
[1]乳腺癌在螺旋断层放射治疗中的研究进展[J]. 张琰晔,李荣清,张勇. 昆明医科大学学报. 2018(11)
[2]深度学习技术在疾病诊断中的应用[J]. 王威,李郁,张文娟,田野,骞爱荣. 第二军医大学学报. 2018(08)
[3]基于全卷积神经网络的肛提肌裂孔智能识别[J]. 胡鹏辉,王娜,王毅,王慧芳,汪天富,倪东. 深圳大学学报(理工版). 2018(03)
[4]基于卷积神经网络的图像特征识别研究[J]. 杨念聪,任琼,张成喆,周子煜,李倩,邱兰. 信息与电脑(理论版). 2017(14)
[5]基于栈式去噪自编码器的遥感图像分类[J]. 张一飞,陈忠,张峰,欧阳超. 计算机应用. 2016(S2)
[6]基于改进ANE的视频强弱光消除算法[J]. 孙宇曙,张华峰,姜永栎,虞永方. 电子科技. 2014(07)
[7]深度学习研究进展[J]. 刘建伟,刘媛,罗雄麟. 计算机应用研究. 2014(07)
[8]基于自组织原理进行图像分割的研究和应用进展[J]. 王沛. 电子测试. 2013(14)
[9]深度学习研究综述[J]. 孙志军,薛磊,许阳明,王正. 计算机应用研究. 2012(08)
[10]一种基于分数阶次微积分模板的新型边缘检测方法[J]. 何春,叶永强,姜斌,周鑫. 自动化学报. 2012(05)
硕士论文
[1]基于深度学习的智能聊天机器人的研究[D]. 梁苗苗.浙江理工大学 2018
[2]基于深度卷积神经网络的视觉物体识别算法[D]. 孙满利.天津大学 2017
[3]基于小波变换的阈值图像去噪方法[D]. 张庆伟.山东科技大学 2010
本文编号：2997322
【文章来源】：沈阳工业大学辽宁省
【文章页数】：56 页
【学位级别】：硕士
【部分图文】：
乳腺癌诊断与CAD系统
目标是设计并实现基于深度学习的乳腺肿瘤图像识别模型，实现对于大量乳腺肿瘤图像的分析与识别，并对运用于乳腺肿瘤识别的深度学习算法进行改进，使目标检测算法可以更好地定位乳腺肿瘤，并高精度的实现良恶性肿瘤分级的效果。研究内容分为图像分析与处理及乳腺肿瘤识别两部分。本课题采集图像均来自肿瘤医院10年内的2000例乳腺钼靶影像，其中1000例左右为良性肿瘤、500例左右为恶性肿瘤及500例左右的正常图像，图像的采集要标准且规范，拍摄角度很小的偏差将影响到乳腺肿瘤的处理及分割且容易造成乳腺肿瘤图像识别的错误，图1.2为采集的三位病人的原始乳腺肿瘤图像示例。图1.2原始乳腺肿瘤图像示例Fig.1.2Exampleofrawbreasttumorimage
沂屎闲∧勘昙觳獾腨OLOv3算法作为参考，本章主要介绍YOLO、YOLOv2及YOLOv3的进化及在本文数据集上的应用过程，详细阐述基本原理、网络结构及训练过程。2.1深度学习概述深度学习就是由许多神经元构成能够进行学习和分析的神经网络，神经元都会产生激活值并由感知环境的传感器激活[22]。深度学习能够学习表示高阶抽象概念的复杂函数，解决目标识别、语音感知和语言理解等人工智能相关的任务[23]，可以从图像、语音等数据中提取浅层或深层的信息并应用于分类及回归等相关任务之中。网络的不断更迭引出了深度学习这一领域，如图2.1所示模型是包含若干个隐藏层的感知器，这种结构可以将输入数据的浅层特征进行组合来形成较为抽象的高层特征或者间接的给出数据的高层分类，一般是以发现数据的分布式特征表示[24]。图2.1深度学习模型Fig.2.1Deeplearningmodel深度学习的算法主要通过半监督式或者非监督式的结构，将更细小多元的元素特征进行输入和分析之后对元素进行特征分类和结构划分。Hinton等在2006年提出神经网络用于解决更加深层的复杂结构的问题，在置信网络（DBN）的基础算法上进而提出的更加深层次分析的非监督逐层训练算法[25]。在此之后，研究者们在Hinton的研究基础之上陆续在沈阳工业大学硕士学位论文
【参考文献】：
期刊论文
[1]乳腺癌在螺旋断层放射治疗中的研究进展[J]. 张琰晔,李荣清,张勇. 昆明医科大学学报. 2018(11)
[2]深度学习技术在疾病诊断中的应用[J]. 王威,李郁,张文娟,田野,骞爱荣. 第二军医大学学报. 2018(08)
[3]基于全卷积神经网络的肛提肌裂孔智能识别[J]. 胡鹏辉,王娜,王毅,王慧芳,汪天富,倪东. 深圳大学学报(理工版). 2018(03)
[4]基于卷积神经网络的图像特征识别研究[J]. 杨念聪,任琼,张成喆,周子煜,李倩,邱兰. 信息与电脑(理论版). 2017(14)
[5]基于栈式去噪自编码器的遥感图像分类[J]. 张一飞,陈忠,张峰,欧阳超. 计算机应用. 2016(S2)
[6]基于改进ANE的视频强弱光消除算法[J]. 孙宇曙,张华峰,姜永栎,虞永方. 电子科技. 2014(07)
[7]深度学习研究进展[J]. 刘建伟,刘媛,罗雄麟. 计算机应用研究. 2014(07)
[8]基于自组织原理进行图像分割的研究和应用进展[J]. 王沛. 电子测试. 2013(14)
[9]深度学习研究综述[J]. 孙志军,薛磊,许阳明,王正. 计算机应用研究. 2012(08)
[10]一种基于分数阶次微积分模板的新型边缘检测方法[J]. 何春,叶永强,姜斌,周鑫. 自动化学报. 2012(05)
硕士论文
[1]基于深度学习的智能聊天机器人的研究[D]. 梁苗苗.浙江理工大学 2018
[2]基于深度卷积神经网络的视觉物体识别算法[D]. 孙满利.天津大学 2017
[3]基于小波变换的阈值图像去噪方法[D]. 张庆伟.山东科技大学 2010
本文编号：2997322
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/2997322.html
