基于深度学习的胸片辅助诊断算法

发布时间：2021-03-09 08:27

　　胸部X光检查是世界上最常见的一种医学成像检查,对于诊断包括肺结核和肺癌在内的多种胸科疾病至关重要,每年有超过20亿次的使用。而完全依赖放射科医生进行胸片诊断的方法不仅效率较低,而且诊断的结果与医生的专业能力水平相关,甚至可能出现因为阅片疲劳导致的误诊,诊断的准确性难以得到有效保障。因此,研究一种胸片辅助诊断算法具有非常重要的现实意义。传统的胸片辅助诊断算法依赖算法设计者根据特定的疾病特征,例如病灶的形状、大小、灰度等,手动进行特征提取,再通过对提取的特征进行分析,实现对疾病的辅助诊断,但是这种方法必须针对不同的疾病特征设计不同的特征提取方法,费时费力。而深度学习以其优秀的自动特征提取能力在图像识别领域取得巨大的成功,利用深度学习来进行胸片疾病的辅助诊断已经成为了当前的研究热点。因此,本文在深度学习的基础上,提出了一种多网络特征融合的胸片辅助诊断算法。该算法主要由三个部分组成,第一部分是特征提取,算法使用了残差网络（ResNet）和密集连接网络（DenseNet）两个不同的神经网络分别进行特征提取,两个网络结构相互独立,各自进行特征提取,同时为了加快算法的训练速度,用作特征提取的网络中的... 

【文章来源】：广东工业大学广东省

【文章页数】：62 页

【学位级别】：硕士

【部分图文】：

人工智能、机器学习与深度学习的关系

图 2-2 传统机器学习与深度学习的差异Fig.2-2 Differences between traditional machine learning and deep learning图 2-2 可以看出，深度学习将传统机器学习中最为繁杂的手工特征提取代替特征学习，使得深度学习算法不与特定的具体任务耦合，可以方面的推广

图 2-3 数据量对传统机器学习与深度学习的影响ffect of data volume on traditional machine learning and d出，当数据量规模较小时，传统机器学习算法的当数据量增大时，深度学习算法的性能便远远超

【参考文献】：
期刊论文
[1]深度卷积神经网络胸片肺结节分类识别研究[J]. 陈寿宏,柳馨雨,马峻,康怀强.  计算机工程与应用. 2018(24)
[2]基于卷积神经网络的胸片肺结节检测[J]. 朱国策,李朝锋.  传感器与微系统. 2017(12)
[3]基于深度学习的医学影像诊断综述[J]. 张巧丽,赵地,迟学斌.  计算机科学. 2017(S2)
[4]模式分类中的特征融合方法[J]. 刘渭滨,邹智元,邢薇薇.  北京邮电大学学报. 2017(04)
[5]深度学习研究与进展[J]. 孙志远,鲁成祥,史忠植,马刚.  计算机科学. 2016(02)

硕士论文
[1]基于卷积神经网络的肺结节检测方法研究[D]. 林春伟.华南理工大学 2017



本文编号：3072578