基于深度学习的糖网筛查系统研究
发布时间：2021-04-16 11:00
2017年,我国糖尿病患者总数有1.14亿人,占全国总人口的8.201%。与此同时,糖尿病并发症所带来的糖尿病视网膜病变（以下统称糖网病变）人数也在急剧增加。糖网病变严重影响患者的视力健康,做好糖网病变的筛查工作,进行早期诊断和治疗,能有效地防止患者视力损伤。近年来,已经有机构尝试将深度学习用于医疗领域。基于深度学习的计算机视觉技术,具备实时性、高精度等特点,开展基于深度学习的糖网筛查系统研究,未来能有效地降低眼科医生的劳动强度、加快门诊效率。本文就此研究了基于深度学习的糖网筛查系统,主要内容如下。调研了国内医疗机构的糖网筛查流程,分析出该流程有耗时、存在主观判断的痛点。针对这些痛点,基于Docker、Jupyter-Notebook、TensorFlow、DIGITS 6等软件搭建了糖网筛查系统,该系统主要由糖网病程分类模块和糖网特征分割模块构成。糖网病程分类模块:采用Kaggle竞赛糖网病程分类公共数据集,针对该数据集图像质量不一、病程类别图像不均等问题,通过中值滤波、图像均衡化等方法进行预处理。基于AlexNet、VGGNet系列算法、Inception系列算法开发出糖网病程分类...
【文章来源】：武汉纺织大学湖北省
【文章页数】：73 页
【学位级别】：硕士
【部分图文】：
生物神经元Fig.2.1Biologicalneuron
武汉纺织大学硕士学位论文6图2.2人工神经元的计算模型Fig.2.2Computationalmodelsofartificialneurons2.2反向传播和权值更新前馈神经网络是一种简单的神经网络结构，由多层神经元构建，图2.3是前馈神经网络的示意图。通过与其他相邻层的节点相互连接，每一条连接都具备相关的权值。在前馈神经网络中，信号从前到后单方向传播，从输入节点沿着隐藏节点传输至输出节点。由于纯粹前馈神经网络中并没有回环，无法纠正学习过程中的误差，这样的网络不够稳定、鲁棒性低。图2.3前馈神经网络Fig.2.3Feedforwardnetwork在1986年由Rumelhart和McClelland为首的科学家提出的反向传播算法（backpropagation，BP）神经网络[17]。这种算法使用了神经网络预测值与真实值进行对比，通1xixdx1b2bhbqb1yjylyhv1ihvdhvjw1jw2hjwqjw个输出神经元的输入第j个隐层神经元的输入第h==qhhhjjβbw1==diiihhαxv1
武汉纺织大学硕士学位论文10={[()+1]，=，=(2.13)卷积层的第一个功能是局部连接：通过局部连接的这种方式连接相邻层级的神经网络，提取图像的纹理、边缘等特性，通过多层的局部连接，网络最终能够提取到更深层次的信息；卷积神经网络的第二个功能是共享权值：每种卷积核内部都具有不同的权值，不同的卷积核都能够输出不同的特征图，所以对于同一种特征图，它们都来自于同一个卷积核，这样就实现了权值共享。如图2.5所示，图像矩阵的大小为5×5，使用尺寸为3×3的卷积核进行卷积，定义卷积过程中的步长为1，最终输出的特征图的大小为3×3。通常生成的特征量还需要加上偏置量，该特征量最终会经过激活函数处理，以适应实现数据的非线性逻辑回归任务。图2.5卷积运算的过程Fig.2.5Thecompositionoftheconvolutionalneuralnetwork2.3.3激活层卷积层提取特征，激活层使用激活函数处理这些特征。常见的激活函数函数形式如表2.3所示。之所以要使用激活函数处理，是因为在卷积操作的过程中，卷积核和被卷积区域的运算，各个对应元素的乘积，只是线性乘积的关系，不具备线性处理数据的能力。使用激活函数处理后，卷积层的输出具备了非线性映射的能力。
【参考文献】：
期刊论文
[1]二值化图像的灰度处理算法研究[J]. 陈海峰,丁丽丽. 电脑与电信. 2019(07)
[2]人工神经网络中损失函数的研究[J]. 任进军,王宁. 甘肃高师学报. 2018(02)
[3]中国2型糖尿病防治指南（2017年版）[J]. Chinese Diabetes Society;. 中国实用内科杂志. 2018(04)
[4]用于糖尿病视网膜病变检测的深度学习模型[J]. 庞浩,王枞. 软件学报. 2017(11)
[5]云计算中使用容器技术的信息安全风险与对策[J]. 张楠. 信息网络安全. 2015(09)
[6]NVIDIA发布深度学习战略[J]. CAD/CAM与制造业信息化. 2015(05)
[7]基于旋转、平移和尺度不变的平稳小波图像增强[J]. 马志峰,吴琼之,杜娟. 光学技术. 2009(01)
博士论文
[1]面向图像分类的分层稀疏表示方法研究[D]. 王博.天津大学 2016
硕士论文
[1]基于深度学习的图像分割研究与应用[D]. 张华博.电子科技大学 2018
[2]基于交叉熵的随机赋权网络[D]. 崔义新.河北大学 2017
[3]人脸检测及人脸年龄与性别识别方法[D]. 张军挺.中国科学技术大学 2017
[4]基于眼底彩照的糖尿病性视网膜病变微血管瘤检测[D]. 吴波.苏州大学 2017
[5]基于深度学习的图像超分辨算法研究[D]. 韩小虎.河南大学 2016
[6]次全视网膜光凝与全视网膜光凝治疗糖尿病视网膜病变的对比研究以及影响光凝治疗效果的因素研究[D]. 杨倩.广州医科大学 2014
[7]糖尿病视网膜图像自动筛查和分析的研究[D]. 陈萌梦.重庆医科大学 2014
[8]激光治疗重度NPDR和早期PDR的临床观察[D]. 文译.中南大学 2009
[9]糖尿病黄斑水肿的检测及全视网膜光凝对黄斑的影响[D]. 郝胜利.天津医科大学 2007
本文编号：3141301
【文章来源】：武汉纺织大学湖北省
【文章页数】：73 页
【学位级别】：硕士
【部分图文】：
生物神经元Fig.2.1Biologicalneuron
武汉纺织大学硕士学位论文6图2.2人工神经元的计算模型Fig.2.2Computationalmodelsofartificialneurons2.2反向传播和权值更新前馈神经网络是一种简单的神经网络结构，由多层神经元构建，图2.3是前馈神经网络的示意图。通过与其他相邻层的节点相互连接，每一条连接都具备相关的权值。在前馈神经网络中，信号从前到后单方向传播，从输入节点沿着隐藏节点传输至输出节点。由于纯粹前馈神经网络中并没有回环，无法纠正学习过程中的误差，这样的网络不够稳定、鲁棒性低。图2.3前馈神经网络Fig.2.3Feedforwardnetwork在1986年由Rumelhart和McClelland为首的科学家提出的反向传播算法（backpropagation，BP）神经网络[17]。这种算法使用了神经网络预测值与真实值进行对比，通1xixdx1b2bhbqb1yjylyhv1ihvdhvjw1jw2hjwqjw个输出神经元的输入第j个隐层神经元的输入第h==qhhhjjβbw1==diiihhαxv1
武汉纺织大学硕士学位论文10={[()+1]，=，=(2.13)卷积层的第一个功能是局部连接：通过局部连接的这种方式连接相邻层级的神经网络，提取图像的纹理、边缘等特性，通过多层的局部连接，网络最终能够提取到更深层次的信息；卷积神经网络的第二个功能是共享权值：每种卷积核内部都具有不同的权值，不同的卷积核都能够输出不同的特征图，所以对于同一种特征图，它们都来自于同一个卷积核，这样就实现了权值共享。如图2.5所示，图像矩阵的大小为5×5，使用尺寸为3×3的卷积核进行卷积，定义卷积过程中的步长为1，最终输出的特征图的大小为3×3。通常生成的特征量还需要加上偏置量，该特征量最终会经过激活函数处理，以适应实现数据的非线性逻辑回归任务。图2.5卷积运算的过程Fig.2.5Thecompositionoftheconvolutionalneuralnetwork2.3.3激活层卷积层提取特征，激活层使用激活函数处理这些特征。常见的激活函数函数形式如表2.3所示。之所以要使用激活函数处理，是因为在卷积操作的过程中，卷积核和被卷积区域的运算，各个对应元素的乘积，只是线性乘积的关系，不具备线性处理数据的能力。使用激活函数处理后，卷积层的输出具备了非线性映射的能力。
【参考文献】：
期刊论文
[1]二值化图像的灰度处理算法研究[J]. 陈海峰,丁丽丽. 电脑与电信. 2019(07)
[2]人工神经网络中损失函数的研究[J]. 任进军,王宁. 甘肃高师学报. 2018(02)
[3]中国2型糖尿病防治指南（2017年版）[J]. Chinese Diabetes Society;. 中国实用内科杂志. 2018(04)
[4]用于糖尿病视网膜病变检测的深度学习模型[J]. 庞浩,王枞. 软件学报. 2017(11)
[5]云计算中使用容器技术的信息安全风险与对策[J]. 张楠. 信息网络安全. 2015(09)
[6]NVIDIA发布深度学习战略[J]. CAD/CAM与制造业信息化. 2015(05)
[7]基于旋转、平移和尺度不变的平稳小波图像增强[J]. 马志峰,吴琼之,杜娟. 光学技术. 2009(01)
博士论文
[1]面向图像分类的分层稀疏表示方法研究[D]. 王博.天津大学 2016
硕士论文
[1]基于深度学习的图像分割研究与应用[D]. 张华博.电子科技大学 2018
[2]基于交叉熵的随机赋权网络[D]. 崔义新.河北大学 2017
[3]人脸检测及人脸年龄与性别识别方法[D]. 张军挺.中国科学技术大学 2017
[4]基于眼底彩照的糖尿病性视网膜病变微血管瘤检测[D]. 吴波.苏州大学 2017
[5]基于深度学习的图像超分辨算法研究[D]. 韩小虎.河南大学 2016
[6]次全视网膜光凝与全视网膜光凝治疗糖尿病视网膜病变的对比研究以及影响光凝治疗效果的因素研究[D]. 杨倩.广州医科大学 2014
[7]糖尿病视网膜图像自动筛查和分析的研究[D]. 陈萌梦.重庆医科大学 2014
[8]激光治疗重度NPDR和早期PDR的临床观察[D]. 文译.中南大学 2009
[9]糖尿病黄斑水肿的检测及全视网膜光凝对黄斑的影响[D]. 郝胜利.天津医科大学 2007
本文编号：3141301
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3141301.html
