基于深度学习的病理图像识别技术研究
发布时间：2021-04-10 16:52
深度学习是近些年来发展最迅速的技术之一,以深度学习为基础的各类人工智能技术已经融入了生活的每一个角落。将深度学习应用于医学图像领域,实现计算机的辅助诊断,不仅可以提高医生的诊断效率还可以保证其诊断的准确率。本文以胃部活体组织病理图像作为研究对象,在分析传统图像处理技术和深度学习理论的基础上,结合病理图像的特点,对胃癌病理图像的识别与分割技术进行了研究。本文的主要研究内容如下:（1）实现了基于迁移学习的胃癌病理图像识别。本文分析了深度学习、图像处理等相关技术优缺点,提出使用迁移学习来完成对网络的预训练以及初始化,通过与未进行预训练的同一模型进行结果的对比与分析,实验表明基于迁移学习的识别算法在准确率上要远远高于未进行迁移的算法。其中,基于迁移学习的Res Net-50网络分别在训练集和测试集上达到了98.7%和95.1%的识别准确率。（2）实现了两种针对癌组织细胞的分割算法:基于卷积神经网络（CNNs）的分割算法和基于U-Net的分割算法。基于CNNs的算法是在研究总结普通图像识别技术的基础上,提出将图像等分成若干网格,对每个网格进行单独的分类,最后将所有分类结果汇总以达到分割的效果。该...
【文章来源】：杭州电子科技大学浙江省
【文章页数】：65 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第1章 绪论
1.1 课题研究的目的和意义
1.2 课题国内外研究现状
1.2.1 国外研究现状分析
1.2.2 国内研究现状分析
1.3 论文的主要内容及结构安排
1.3.1 论文的主要内容
1.3.2 论文的结构安排
第2章 卷积神经网络简介
2.1 卷积神经网络基本结构
2.1.1 卷积层
2.1.2 池化层
2.1.3 激活函数
2.1.4 全连接层和输出层
2.2 网络训练
2.2.1 前向传播
2.2.2 反向传播
2.3 卷积神经网络的发展历史
2.4 本章小结
第3章 深度学习的优化策略
3.1 初始化策略
3.2 方差与偏差分析
3.2.1 L2范数正则化
3.2.2 Dropout正则化
3.3 梯度下降算法
3.4 学习率衰减
3.5 批归一化
3.6 本章小结
第4章 基于迁移学习的胃癌病理图像分类
4.1 迁移学习
4.2 迁移学习模型
4.2.1 VGG16网络
4.2.2 Goog Le Net网络
4.2.3 Res Net网络
4.3 实验结果与分析
4.3.1 实验环境介绍
4.3.2 实验数据准备
4.3.3 数据增强
4.3.4 实验结果分析
4.4 本章小结
第5章 癌细胞区域轮廓检测
5.1 图像分割算法简介
5.1.1 传统图像分割算法
5.1.2 基于深度学习的语义分割算法
5.2 深度学习分割算法模型
5.2.1 全卷积神经网络
5.2.2 U-NET网络
5.3 癌组织区域分割算法
5.3.1 基于CNNs的分割算法
5.3.2 基于U-Net的分割算法
5.4 实验结果分析
5.4.1 数据集介绍
5.4.2 基于CNNs的分割结果
5.4.3 基于U-Net的分割结果
5.4.4 结果分析
5.5 本章小结
第6章 总结与展望
6.1 本文研究工作总结
6.2 进一步研究展望
致谢
参考文献
附录
【参考文献】：
期刊论文
[1]基于深度学习的胃癌病理图像分类方法[J]. 张泽中,高敬阳,吕纲,赵地. 计算机科学. 2018(S2)
[2]迁移学习研究综述[J]. 王惠. 电脑知识与技术. 2017(32)
[3]结合卷积神经网络和超像素聚类的细胞图像分割方法[J]. 杨金鑫,杨辉华,李灵巧,潘细朋,刘振丙,周洁茜. 计算机应用研究. 2018(05)
[4]基于交叉熵的神经网络在病理图像分析中的应用[J]. 全宇,王忠庆,何苗. 中国医科大学学报. 2009(06)
博士论文
[1]基于卷积神经网络的医学图像癌变识别研究[D]. 薛迪秀.中国科学技术大学 2017
硕士论文
[1]基于迁移学习的阿尔茨海默病早期诊断算法研究[D]. 刘永林.曲阜师范大学 2019
[2]基于深度学习的粗标记胃癌病理切片图像分割算法[D]. 南洋.湖南大学 2018
本文编号：3129994
【文章来源】：杭州电子科技大学浙江省
【文章页数】：65 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第1章 绪论
1.1 课题研究的目的和意义
1.2 课题国内外研究现状
1.2.1 国外研究现状分析
1.2.2 国内研究现状分析
1.3 论文的主要内容及结构安排
1.3.1 论文的主要内容
1.3.2 论文的结构安排
第2章 卷积神经网络简介
2.1 卷积神经网络基本结构
2.1.1 卷积层
2.1.2 池化层
2.1.3 激活函数
2.1.4 全连接层和输出层
2.2 网络训练
2.2.1 前向传播
2.2.2 反向传播
2.3 卷积神经网络的发展历史
2.4 本章小结
第3章 深度学习的优化策略
3.1 初始化策略
3.2 方差与偏差分析
3.2.1 L2范数正则化
3.2.2 Dropout正则化
3.3 梯度下降算法
3.4 学习率衰减
3.5 批归一化
3.6 本章小结
第4章 基于迁移学习的胃癌病理图像分类
4.1 迁移学习
4.2 迁移学习模型
4.2.1 VGG16网络
4.2.2 Goog Le Net网络
4.2.3 Res Net网络
4.3 实验结果与分析
4.3.1 实验环境介绍
4.3.2 实验数据准备
4.3.3 数据增强
4.3.4 实验结果分析
4.4 本章小结
第5章 癌细胞区域轮廓检测
5.1 图像分割算法简介
5.1.1 传统图像分割算法
5.1.2 基于深度学习的语义分割算法
5.2 深度学习分割算法模型
5.2.1 全卷积神经网络
5.2.2 U-NET网络
5.3 癌组织区域分割算法
5.3.1 基于CNNs的分割算法
5.3.2 基于U-Net的分割算法
5.4 实验结果分析
5.4.1 数据集介绍
5.4.2 基于CNNs的分割结果
5.4.3 基于U-Net的分割结果
5.4.4 结果分析
5.5 本章小结
第6章 总结与展望
6.1 本文研究工作总结
6.2 进一步研究展望
致谢
参考文献
附录
【参考文献】：
期刊论文
[1]基于深度学习的胃癌病理图像分类方法[J]. 张泽中,高敬阳,吕纲,赵地. 计算机科学. 2018(S2)
[2]迁移学习研究综述[J]. 王惠. 电脑知识与技术. 2017(32)
[3]结合卷积神经网络和超像素聚类的细胞图像分割方法[J]. 杨金鑫,杨辉华,李灵巧,潘细朋,刘振丙,周洁茜. 计算机应用研究. 2018(05)
[4]基于交叉熵的神经网络在病理图像分析中的应用[J]. 全宇,王忠庆,何苗. 中国医科大学学报. 2009(06)
博士论文
[1]基于卷积神经网络的医学图像癌变识别研究[D]. 薛迪秀.中国科学技术大学 2017
硕士论文
[1]基于迁移学习的阿尔茨海默病早期诊断算法研究[D]. 刘永林.曲阜师范大学 2019
[2]基于深度学习的粗标记胃癌病理切片图像分割算法[D]. 南洋.湖南大学 2018
本文编号：3129994
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3129994.html
