基于深度卷积网络的病理图像诊断算法研究
发布时间：2021-02-01 00:29
病理图像诊断是医学图像分析领域的一个重要课题。传统的人工诊断方法需要医生投入大量的时间,还容易因其主观因素影响诊断结果。为了缓解医生的压力,人们开始研究用计算机来辅助医生进行细胞诊断。病变与健康的细胞主要表现为形态上的差异,所以提取准确的细胞形态特征是实现细胞诊断的关键。本文以卷积神经网络作为特征提取工具,通过结合集成学习和多尺度图像分析理论,设计了两种病理图像的自动诊断模型。本文首先对病理图像诊断的研究现状进行了总结,然后介绍了卷积神经网络的基本理论知识及研究现状,最后介绍了集成学习算法与图像多尺度分析的理论内容与应用场景。本文将卷积神经网络与集成学习相结合,提出一种基于增强卷积网络的病理图像诊断算法。该算法使用两个异构的卷积神经网络来提取细胞的特征,其中两个网络分别为基本网络与增强网络,基本网络用于预测细胞患病的概率,增强网络对基本网络的预测结果进行修正。由于可用于训练的病理图像数量有限,网络训练过程中容易产生过拟合,所以本文对训练图像进行了扩充,并在基本网络中加入了其对基本图像与扩充图像的输出值的一致性约束。基于卷积神经网络与图像多尺度分析理论,本文设计了一种多尺度压缩奖惩网络的...
【文章来源】：天津大学天津市 211工程院校 985工程院校 教育部直属院校
【文章页数】：66 页
【学位级别】：硕士
【部分图文】：
GoogleNet网络多尺度学习的结构示意图
天津大学硕士学位论文10本文研究内容结构示意图。图1-2本文研究内容示意图1.4本文组织结构第一章为绪论，概括了病理图像研究的意义及研究现状，并总结了深度卷积网络的研究现状。主要介绍了病理图像研究的两种常用方法，分别为稀疏编码算法和深度卷积网络算法。此外，还介绍了集成学习基本知识与发展现状。最后简单总结了图像多尺度技术的研究现状。第二章主要对深度卷积网络的基本理论、集成学习理论以及多尺度图像分析理论进行了介绍。其中针对深度卷积网络介绍了其发展基储结构组成与常用的模型。其次概述了常用的几种集成学习算法和多尺度分析的基本理论。第三章基于深度卷积网络与集成学习理论，介绍了一种基于增强卷积网络的病理图像诊断算法，实现对病理图像的图像块级、图像级的分类和对病变区域的定位。本章对该算法的模型构建、训练过程及后处理过程进行了详细描述，并对实验结果进行了简要分析。第四章将深度卷积网络与图像多尺度分析相结合，提出一种基于多尺度压缩奖惩网络的病理图像识别算法。本章对该算法的模型的构建原理与训练过程进行了介绍，并通过实验表明了该算法对病理图像识别的性能。第五章对本文的工作进行了概括总结，并对以后的研究工作做了展望。
天津大学硕士学位论文12堆叠而成的多层次模型，其中所有的组成结构互相辅助，以提升网络的特征提取能力。以实现病理图像诊断的卷积神经网络为例，本文简单介绍卷积神经网络的组成，其结构示意图如图2-1所示。图2-1卷积神经网络结构示意图卷积层中的卷积核能够通过多个卷积操作，提取输入样本的局部区域的高级语义信息。在卷积过程中，图像的所有像素点共享每个卷积核的参数，相比于普通神经网络来说，不仅大大减少了网络参数量，还利用了图像的不同局部区域之间的相关信息，更具有优越性。每个卷积层后设有激活函数对卷积后的值进行非线性激活，使网络能够学习到样本的非线性抽象特征，可以解决复杂的问题。池化层用于对卷积得到的特征进行降维，以减少数据量。此外，池化的一个重要作用是使网络可以识别具有相同语义的不同尺度和形态的目标。由于拍摄视角的不同和事物的状态变化多样，具有相同语义的事物在图像中会显示出不同的尺寸和形态。实现目标检测等任务时，需要将相同事物准确的识别出来。池化操作具有尺度不变性，在降维的过程中，会保留下尺度不变的样本本质属性，即使对尺度、形状变化的目标，依旧可以准确检测出来，是卷积神经网络中必不可少的一部分。全连接层经常作用于卷积神经网络的输出部分，将卷积层学到的高维特征映射到低维样本标记空间，输出对样本的预测值。然而，全连接层首先需要将高维特征拉伸为低维向量，此拉伸操作会破坏特征的空间信息，所以卷积神经网络开始使用全卷积层取代全连接层，在实现标记空间映射的同时保留特征的空间信息。卷积神经网络通过学习输入样本的数据分布来提取样本特征。但是当输入数据分布发生变化时，网络需要调整参数以适应数据的分布，造成网络训练时间长甚至不收敛。为了解决
【参考文献】：
期刊论文
[1]基于卷积神经网络和迁移学习的乳腺癌病理图像分类[J]. 郑群花,段慧芳,沈尧,刘娟,袁静萍. 计算机应用与软件. 2018(07)
[2]基于专家乘积系统的组织病理图像分类算法[J]. 郭琳琳,李岳楠. 激光与光电子学进展. 2018(02)
[3]压缩感知理论及其研究进展[J]. 石光明,刘丹华,高大化,刘哲,林杰,王良君. 电子学报. 2009(05)
本文编号：3011854
【文章来源】：天津大学天津市 211工程院校 985工程院校 教育部直属院校
【文章页数】：66 页
【学位级别】：硕士
【部分图文】：
GoogleNet网络多尺度学习的结构示意图
天津大学硕士学位论文10本文研究内容结构示意图。图1-2本文研究内容示意图1.4本文组织结构第一章为绪论，概括了病理图像研究的意义及研究现状，并总结了深度卷积网络的研究现状。主要介绍了病理图像研究的两种常用方法，分别为稀疏编码算法和深度卷积网络算法。此外，还介绍了集成学习基本知识与发展现状。最后简单总结了图像多尺度技术的研究现状。第二章主要对深度卷积网络的基本理论、集成学习理论以及多尺度图像分析理论进行了介绍。其中针对深度卷积网络介绍了其发展基储结构组成与常用的模型。其次概述了常用的几种集成学习算法和多尺度分析的基本理论。第三章基于深度卷积网络与集成学习理论，介绍了一种基于增强卷积网络的病理图像诊断算法，实现对病理图像的图像块级、图像级的分类和对病变区域的定位。本章对该算法的模型构建、训练过程及后处理过程进行了详细描述，并对实验结果进行了简要分析。第四章将深度卷积网络与图像多尺度分析相结合，提出一种基于多尺度压缩奖惩网络的病理图像识别算法。本章对该算法的模型的构建原理与训练过程进行了介绍，并通过实验表明了该算法对病理图像识别的性能。第五章对本文的工作进行了概括总结，并对以后的研究工作做了展望。
天津大学硕士学位论文12堆叠而成的多层次模型，其中所有的组成结构互相辅助，以提升网络的特征提取能力。以实现病理图像诊断的卷积神经网络为例，本文简单介绍卷积神经网络的组成，其结构示意图如图2-1所示。图2-1卷积神经网络结构示意图卷积层中的卷积核能够通过多个卷积操作，提取输入样本的局部区域的高级语义信息。在卷积过程中，图像的所有像素点共享每个卷积核的参数，相比于普通神经网络来说，不仅大大减少了网络参数量，还利用了图像的不同局部区域之间的相关信息，更具有优越性。每个卷积层后设有激活函数对卷积后的值进行非线性激活，使网络能够学习到样本的非线性抽象特征，可以解决复杂的问题。池化层用于对卷积得到的特征进行降维，以减少数据量。此外，池化的一个重要作用是使网络可以识别具有相同语义的不同尺度和形态的目标。由于拍摄视角的不同和事物的状态变化多样，具有相同语义的事物在图像中会显示出不同的尺寸和形态。实现目标检测等任务时，需要将相同事物准确的识别出来。池化操作具有尺度不变性，在降维的过程中，会保留下尺度不变的样本本质属性，即使对尺度、形状变化的目标，依旧可以准确检测出来，是卷积神经网络中必不可少的一部分。全连接层经常作用于卷积神经网络的输出部分，将卷积层学到的高维特征映射到低维样本标记空间，输出对样本的预测值。然而，全连接层首先需要将高维特征拉伸为低维向量，此拉伸操作会破坏特征的空间信息，所以卷积神经网络开始使用全卷积层取代全连接层，在实现标记空间映射的同时保留特征的空间信息。卷积神经网络通过学习输入样本的数据分布来提取样本特征。但是当输入数据分布发生变化时，网络需要调整参数以适应数据的分布，造成网络训练时间长甚至不收敛。为了解决
【参考文献】：
期刊论文
[1]基于卷积神经网络和迁移学习的乳腺癌病理图像分类[J]. 郑群花,段慧芳,沈尧,刘娟,袁静萍. 计算机应用与软件. 2018(07)
[2]基于专家乘积系统的组织病理图像分类算法[J]. 郭琳琳,李岳楠. 激光与光电子学进展. 2018(02)
[3]压缩感知理论及其研究进展[J]. 石光明,刘丹华,高大化,刘哲,林杰,王良君. 电子学报. 2009(05)
本文编号：3011854
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3011854.html
