基于深度学习的儿科肺炎辅助诊断算法研究
发布时间：2021-04-02 09:16
小儿肺炎的症状和体征在早期并不十分明显,而且该疾病容易和其他疾病混淆,因而针对肺炎的快速检测和诊断在提高患儿的存活率和生活质量方面具有重要意义。作为儿科肺炎的常用检测手段,胸部X线检查可以帮助医生观察胸部的结构和器官。然而,由于医疗资源分配的不平衡,我国各级医院儿科医生的医学影像诊断经验以及知识储备相差较大。此外,五岁以下的幼童在胸片投照时难以自觉配合医生的指示,与成人相比,儿童胸片的成像质量会相对较差。这些因素对当前的人工诊断结果的可靠性和稳定性造成了十分不利的影响。有鉴于此,为了分担儿科医生的工作压力,提高医生分析临床医学影像的效率和质量,开发一种基于X光胸片的儿科肺炎计算机辅助诊断系统就显得尤为重要。随着深度学习算法在计算机视觉领域不断取得突破性的进展,研究人员开始拓展这种人工智能算法在医学图像分析领域的应用。然而大部分的深度学习算法仅仅关注于精度的提升,忽略了医疗检测设备对于计算能力和内存空间的限制,这对于深度学习相关技术在医疗诊断领域的产品化应用带来了较大的挑战。本文基于上述存在的问题,提出了一种具有较小规模的应用于儿科肺炎辅助诊断任务的深度学习算法,通过该算法将儿童X光胸片...
【文章来源】：华侨大学福建省
【文章页数】：74 页
【学位级别】：硕士
【部分图文】：
典型的神经网络体系结构
13前一层的输出特征图。在卷积神经网络的各卷积层中，卷积是一种线性操作，是在输入数据和二维权重数组之间进行的矩阵乘法，而这种二维权重数组也被称为滤波器或卷积核。具体而言，卷积操作涉及将输入数据与卷积核在一定区域内执行对应元素相乘后求和以形成变换后的特征图。一个卷积层包含了一组滤波器，其参数需要通过反向传播算法进行更新。卷积操作示例如图2.2所示，当步长为1时，滤波器在输入特征图上滑动，并且在每个空间位置计算当前输入图像区域和滤波器之间的矩阵乘积并求和。对于每一个输出特征图，所有神经元共享相同的权重参数（图2.2中的左边红色部分）。图2.2卷积操作示例卷积滤波器相当于原始输入图像的特征检测器，通过简单地调整滤波器参数值，可以实现诸如边缘检测、锐化、模糊等功能，这意味着不同的滤波器可以从图片中检测出不同的特征（如边缘，曲线等）。由于每个滤波器的尺寸被设计为小于输入图像，因此卷积层输出特征映射中的每个神经元仅连接到输入矩阵数组的局部区域，并且每个神经元的感受野等于滤波器大校卷积层的这种局部连接特性能够保证参数更新后的卷积滤波器最大限度地响应输入特征图的局部区域，从而有效的利用输入数据在空间维度上的局部相关性（对于输入图像，像素与附近像素的相关性远大于远距离像
14素）。并且随着研究的深入，越来越多的卷积的变体被提出以用于执行特定任务，这些特殊的卷积有转置卷积、可分离卷积、扩张卷积、可变形卷积等。2.3.2池化层池化层是卷积神经网络的另一个构建块，其也被称为子采样层。池化层的功能是提取特征，并逐渐减小特征表示的空间大小，以减少网络中的参数数量和模型计算量[57]，不过这种方式也会造成对输入数据的信息损失。池化操作可以采用诸如最大值池化、平均值池化等形式来实现。池化层的最常见形式是最大值池化层，如图2.3所示，输入特征图通过最大值池化可以从特定区域选择最大值作为输出值。图2.3最大值池化操作示例根据图2.3中的最大值池化操作示例，可以了解到池化操作后得到的特征图相比于输入数据来说，其维度降低了。这也在一方面表明，池化操作相当于一种“降采样”的操作；在另一方面，池化操作在导致图像空间分辨率降低的同时，也会增加卷积神经网络模型的感受野。综上所述，在卷积神经网络过去的工作中，池化层主要有如下三种主要作用：（1）特征不变性。池化操作使深度模型更加关注于特征信息本身，并弱化其对于特征信息具体位置或方向的敏感度。这种方式使深度模型提取的特征具有某种程度的自由度，能够保持一定程度的对输入数据的平移、旋转、尺度不变性。（2）特征降维。池化操作能够显著降低输入特征图的空间分辨率，因而具
【参考文献】：
期刊论文
[1]基于卷积神经网络的肺炎检测系统[J]. 周进凡,刘宇红,张荣芬,马治楠,葛自立,林付春. 现代电子技术. 2019(23)
[2]基于深度残差网络的冠状动脉CT血管造影图像斑块的识别算法研究[J]. 吴柯薇,白玫. 中国医学装备. 2019(11)
[3]基于改进的卷积神经网络LeNet-5乳腺疾病诊断方法[J]. 赵京霞,钱育蓉,张猛,杜娇. 东北师大学报(自然科学版). 2019(02)
[4]迁移学习研究和算法综述[J]. 刘鑫鹏,栾悉道,谢毓湘,黄明哲. 长沙大学学报. 2018(05)
[5]儿童社区获得性肺炎智能辅助诊断系统的设计[J]. 赵琼姝,邰隽,赵顺英,谢向辉,倪鑫. 中国卫生信息管理杂志. 2018(04)
[6]基于肺部PET/CT图像不同纹理特征的K最近邻分类器[J]. 马圆,田思佳,冯巍,梁志刚,崔春蕾,郭秀花. 北京生物医学工程. 2018(01)
[7]迁移学习研究进展[J]. 庄福振,罗平,何清,史忠植. 软件学报. 2015(01)
[8]儿童重症社区获得性肺炎病毒学检测和危险因素分析[J]. 丁小芳,张兵,钟礼立,肖霓光,周琼华,段招军,谢志平,高寒春. 中国当代儿科杂志. 2012(06)
[9]基于对比度受限自适应直方图均衡的乳腺图像增强[J]. 刘轩,刘佳宾. 计算机工程与应用. 2008(10)
硕士论文
[1]基于模糊C均值聚类的肺结节图像分割算法研究[D]. 程金凤.河南工业大学 2019
[2]混合核SVM算法在肺结节识别中的应用[D]. 朱景涛.长春工业大学 2018
[3]基于滑动窗口和高斯SVM的脉搏信号处理与肺癌识别[D]. 张智超.济南大学 2018
[4]基于模糊C均值聚类的肺结节分割研究[D]. 李昌燃.浙江师范大学 2018
本文编号：3115013
【文章来源】：华侨大学福建省
【文章页数】：74 页
【学位级别】：硕士
【部分图文】：
典型的神经网络体系结构
13前一层的输出特征图。在卷积神经网络的各卷积层中，卷积是一种线性操作，是在输入数据和二维权重数组之间进行的矩阵乘法，而这种二维权重数组也被称为滤波器或卷积核。具体而言，卷积操作涉及将输入数据与卷积核在一定区域内执行对应元素相乘后求和以形成变换后的特征图。一个卷积层包含了一组滤波器，其参数需要通过反向传播算法进行更新。卷积操作示例如图2.2所示，当步长为1时，滤波器在输入特征图上滑动，并且在每个空间位置计算当前输入图像区域和滤波器之间的矩阵乘积并求和。对于每一个输出特征图，所有神经元共享相同的权重参数（图2.2中的左边红色部分）。图2.2卷积操作示例卷积滤波器相当于原始输入图像的特征检测器，通过简单地调整滤波器参数值，可以实现诸如边缘检测、锐化、模糊等功能，这意味着不同的滤波器可以从图片中检测出不同的特征（如边缘，曲线等）。由于每个滤波器的尺寸被设计为小于输入图像，因此卷积层输出特征映射中的每个神经元仅连接到输入矩阵数组的局部区域，并且每个神经元的感受野等于滤波器大校卷积层的这种局部连接特性能够保证参数更新后的卷积滤波器最大限度地响应输入特征图的局部区域，从而有效的利用输入数据在空间维度上的局部相关性（对于输入图像，像素与附近像素的相关性远大于远距离像
14素）。并且随着研究的深入，越来越多的卷积的变体被提出以用于执行特定任务，这些特殊的卷积有转置卷积、可分离卷积、扩张卷积、可变形卷积等。2.3.2池化层池化层是卷积神经网络的另一个构建块，其也被称为子采样层。池化层的功能是提取特征，并逐渐减小特征表示的空间大小，以减少网络中的参数数量和模型计算量[57]，不过这种方式也会造成对输入数据的信息损失。池化操作可以采用诸如最大值池化、平均值池化等形式来实现。池化层的最常见形式是最大值池化层，如图2.3所示，输入特征图通过最大值池化可以从特定区域选择最大值作为输出值。图2.3最大值池化操作示例根据图2.3中的最大值池化操作示例，可以了解到池化操作后得到的特征图相比于输入数据来说，其维度降低了。这也在一方面表明，池化操作相当于一种“降采样”的操作；在另一方面，池化操作在导致图像空间分辨率降低的同时，也会增加卷积神经网络模型的感受野。综上所述，在卷积神经网络过去的工作中，池化层主要有如下三种主要作用：（1）特征不变性。池化操作使深度模型更加关注于特征信息本身，并弱化其对于特征信息具体位置或方向的敏感度。这种方式使深度模型提取的特征具有某种程度的自由度，能够保持一定程度的对输入数据的平移、旋转、尺度不变性。（2）特征降维。池化操作能够显著降低输入特征图的空间分辨率，因而具
【参考文献】：
期刊论文
[1]基于卷积神经网络的肺炎检测系统[J]. 周进凡,刘宇红,张荣芬,马治楠,葛自立,林付春. 现代电子技术. 2019(23)
[2]基于深度残差网络的冠状动脉CT血管造影图像斑块的识别算法研究[J]. 吴柯薇,白玫. 中国医学装备. 2019(11)
[3]基于改进的卷积神经网络LeNet-5乳腺疾病诊断方法[J]. 赵京霞,钱育蓉,张猛,杜娇. 东北师大学报(自然科学版). 2019(02)
[4]迁移学习研究和算法综述[J]. 刘鑫鹏,栾悉道,谢毓湘,黄明哲. 长沙大学学报. 2018(05)
[5]儿童社区获得性肺炎智能辅助诊断系统的设计[J]. 赵琼姝,邰隽,赵顺英,谢向辉,倪鑫. 中国卫生信息管理杂志. 2018(04)
[6]基于肺部PET/CT图像不同纹理特征的K最近邻分类器[J]. 马圆,田思佳,冯巍,梁志刚,崔春蕾,郭秀花. 北京生物医学工程. 2018(01)
[7]迁移学习研究进展[J]. 庄福振,罗平,何清,史忠植. 软件学报. 2015(01)
[8]儿童重症社区获得性肺炎病毒学检测和危险因素分析[J]. 丁小芳,张兵,钟礼立,肖霓光,周琼华,段招军,谢志平,高寒春. 中国当代儿科杂志. 2012(06)
[9]基于对比度受限自适应直方图均衡的乳腺图像增强[J]. 刘轩,刘佳宾. 计算机工程与应用. 2008(10)
硕士论文
[1]基于模糊C均值聚类的肺结节图像分割算法研究[D]. 程金凤.河南工业大学 2019
[2]混合核SVM算法在肺结节识别中的应用[D]. 朱景涛.长春工业大学 2018
[3]基于滑动窗口和高斯SVM的脉搏信号处理与肺癌识别[D]. 张智超.济南大学 2018
[4]基于模糊C均值聚类的肺结节分割研究[D]. 李昌燃.浙江师范大学 2018
本文编号：3115013
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3115013.html
