基于卷积神经网络的乳腺癌图像分类研究
发布时间：2021-07-12 00:40
全球女性健康都在遭受着乳腺癌的严重威胁,临床上医生主要依靠对乳腺图像的分析得出是否存在病变,存在着误诊漏诊的风险。随着图像处理技术的发展,利用计算机辅助乳腺癌诊断成为近年来研究的热点,但由于噪声干扰、肿块形状各异等原因,要实现乳腺癌的精确快速诊断还存在着一些困难。本文针对乳腺癌图像的良恶性分类进行研究,主要工作内容和创新成果如下:1)针对乳腺癌病变图像存在清晰度不高、与乳腺软组织的对比度较低等问题,提出针对乳腺癌图像特点的预处理方法。提取出肿块病变区,采用中值滤波去噪、直方图均衡化增强图像,既去除了大部分的冗余数据和噪声,又保留了边缘信息。同时对乳腺癌图像进行旋转、裁剪、在水平和垂直方向作镜像等操作进行数据增强,避免了样本量不足时易出现的过拟合问题,为后续的实验奠定了良好的数据基础。2)针对小样本数据集在训练模型时易出现的过拟合问题,提出在卷积神经网络结构的全连接层前后和卷积层都加入Dropout层进行抑制。实验证明,该方法能够有效提高模型的泛化能力;并构建了三个结构与参数不同的卷积神经网络模型,通过实验研究了优化算法、学习率和卷积核大小等参数对模型分类性能的影响,结果表明,通过对模型...
【文章来源】：河北工业大学天津市 211工程院校
【文章页数】：67 页
【学位级别】：硕士
【部分图文】：
EarlyStopping策略
所使用的乳腺癌图像数据集BCDR-F03[50]是乳腺癌匿名患者病例的汇编,由放射科专家医师注释，共包含平均年龄为56岁的344名女性患者736张经活检证实良恶性的病变图像，每幅图像只有一个肿块。该数据集中共有恶性乳腺肿块310例，良性乳腺肿块426例。实验中分别随机取良性乳腺肿块和恶性乳腺肿块作为训练集和测试集，二者的比例是7:3。在该数据集中,放射科专家医师提供了该数据集标有虚线点的可疑区域，具体如图3.1所示，其中前两幅图像中红色标注的图像部位为恶性肿块区域，后两幅图像中绿色标注的图像部位为良性肿块区域。图3.1BCDR-F03数据集中的恶性和良性乳腺肿瘤示例图3.3乳腺癌图像的预处理由于乳腺癌图像清晰度不够高，含噪点，且肿块边缘模糊性较高，对乳腺癌图像分类造成了较大影响。所以为了更好地自主学习和提取特征，需要对乳腺癌病变图像进行适当的图像预处理。乳腺癌图像预处理就是加工乳腺癌图像数据，它与普通图像的处理相似，其目的是改善图像的质量，提高人眼和机器识别的效果，从而提高乳腺癌图像良恶性分类的准确率和效率。在本文中，对乳腺癌图像的预处理主要采用肿块
河北工业大学硕士学位论文25提娶中值滤波对图像去噪、直方图均衡化增强图像和数据增强四个步骤，达到去除图像冗余数据和噪声、增加图像对比度和扩充数据集的目的。乳腺癌图像预处理步骤如图3.2所示。原始图像肿块提取图像去噪增强图像数据增强现有图像图3.2乳腺癌图像预处理流程图3.3.1肿块提取由于肿块形态大小各异，且与乳腺软组织的密度相似，二者的对比度较低，不易直接区分，因此为了针对性地获取乳腺图像中病变组织的有用信息，而删除其他无用冗余数据，减少运算量。本文根据数据集BCDR-F03中放射科专家医师提供的标有虚线点的可疑区域，通过病变图像轮廓将该病变区域提取出来。因为肿块的边缘信息对乳腺癌良恶性分类具有重要意义，所以为了充分保留图像轮廓的特征信息，在进行提取时也提取了轮廓外的部分信息，如图3.3所示，左图为原图，右图为肿块提取图。图3.3乳腺癌图像肿块提取效果图3.3.2图像去噪从图3.3所示的肿块区域图像可以看到，其含有大量噪声，影响着肿块的识别。对肿块病变区域去噪的目的是改善给定的乳腺癌病变区域图像，通过使用去噪技术可以有效地增大肿块病变区域图像的信噪比，大多数噪声都可以被去除，从而使机器能够更好地识别图像信息。图像去噪是图像处理中很关键的一步，去噪技术可分为变换域去噪和空间域去噪两种。其中，变换域去噪技术是在变换域中处理图像的变换域系数，处理结束后再进行反变换，这样就对图像进行了降噪处理，目前使用比较多的变换方法主要有傅立叶
【参考文献】：
期刊论文
[1]基于深度学习的乳腺癌病理图像自动分类[J]. 何雪英,韩忠义,魏本征. 计算机工程与应用. 2018(12)
[2]不平衡数据分类研究综述[J]. 陈湘涛,高亚静. 邵阳学院学报(自然科学版). 2017(02)
[3]基于卷积受限玻尔兹曼机的医学图像分类新方法[J]. 张娟,蒋芸,胡学伟,肖吉泽. 计算机工程与科学. 2017(02)
[4]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军. 计算机学报. 2017(06)
[5]深度卷积神经网络在计算机视觉中的应用研究综述[J]. 卢宏涛,张秦川. 数据采集与处理. 2016(01)
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
[2]基于X线图像的乳腺肿块检测与分类方法研究[D]. 韩振中.北京交通大学 2015
[3]多视角乳腺X线图像的乳腺癌检测与分类方法研究[D]. 李艳凤.北京交通大学 2015
硕士论文
[1]基于卷积神经网络的文献分析[D]. 李宗辰.长春工业大学 2017
[2]目标检测算法在乳腺病理图像分析中的应用[D]. 何剑.浙江大学 2017
[3]基于卷积神经网络的图像识别方法研究[D]. 段萌.郑州大学 2017
[4]基于卷积神经网络的图像识别[D]. 蒋帅.吉林大学 2017
[5]卷积神经网络在乳腺肿块分类中的研究与应用[D]. 江帆.昆明理工大学 2017
[6]基于深度学习的乳腺癌早期诊断研究[D]. 李静.杭州电子科技大学 2017
[7]基于AdaBoost的SRAM单元失效概率估计算法研究[D]. 韦峰.复旦大学 2014
[8]乳腺图像中肿块的特征提取与性质分析方法研究[D]. 叶鑫晶.西安电子科技大学 2014
[9]图像去噪处理技术[D]. 郭斌.西安电子科技大学 2012
[10]支持向量机及其在乳腺癌辅助诊断系统中的应用研究[D]. 高妮.西北大学 2009
本文编号：3278832
【文章来源】：河北工业大学天津市 211工程院校
【文章页数】：67 页
【学位级别】：硕士
【部分图文】：
EarlyStopping策略
所使用的乳腺癌图像数据集BCDR-F03[50]是乳腺癌匿名患者病例的汇编,由放射科专家医师注释，共包含平均年龄为56岁的344名女性患者736张经活检证实良恶性的病变图像，每幅图像只有一个肿块。该数据集中共有恶性乳腺肿块310例，良性乳腺肿块426例。实验中分别随机取良性乳腺肿块和恶性乳腺肿块作为训练集和测试集，二者的比例是7:3。在该数据集中,放射科专家医师提供了该数据集标有虚线点的可疑区域，具体如图3.1所示，其中前两幅图像中红色标注的图像部位为恶性肿块区域，后两幅图像中绿色标注的图像部位为良性肿块区域。图3.1BCDR-F03数据集中的恶性和良性乳腺肿瘤示例图3.3乳腺癌图像的预处理由于乳腺癌图像清晰度不够高，含噪点，且肿块边缘模糊性较高，对乳腺癌图像分类造成了较大影响。所以为了更好地自主学习和提取特征，需要对乳腺癌病变图像进行适当的图像预处理。乳腺癌图像预处理就是加工乳腺癌图像数据，它与普通图像的处理相似，其目的是改善图像的质量，提高人眼和机器识别的效果，从而提高乳腺癌图像良恶性分类的准确率和效率。在本文中，对乳腺癌图像的预处理主要采用肿块
河北工业大学硕士学位论文25提娶中值滤波对图像去噪、直方图均衡化增强图像和数据增强四个步骤，达到去除图像冗余数据和噪声、增加图像对比度和扩充数据集的目的。乳腺癌图像预处理步骤如图3.2所示。原始图像肿块提取图像去噪增强图像数据增强现有图像图3.2乳腺癌图像预处理流程图3.3.1肿块提取由于肿块形态大小各异，且与乳腺软组织的密度相似，二者的对比度较低，不易直接区分，因此为了针对性地获取乳腺图像中病变组织的有用信息，而删除其他无用冗余数据，减少运算量。本文根据数据集BCDR-F03中放射科专家医师提供的标有虚线点的可疑区域，通过病变图像轮廓将该病变区域提取出来。因为肿块的边缘信息对乳腺癌良恶性分类具有重要意义，所以为了充分保留图像轮廓的特征信息，在进行提取时也提取了轮廓外的部分信息，如图3.3所示，左图为原图，右图为肿块提取图。图3.3乳腺癌图像肿块提取效果图3.3.2图像去噪从图3.3所示的肿块区域图像可以看到，其含有大量噪声，影响着肿块的识别。对肿块病变区域去噪的目的是改善给定的乳腺癌病变区域图像，通过使用去噪技术可以有效地增大肿块病变区域图像的信噪比，大多数噪声都可以被去除，从而使机器能够更好地识别图像信息。图像去噪是图像处理中很关键的一步，去噪技术可分为变换域去噪和空间域去噪两种。其中，变换域去噪技术是在变换域中处理图像的变换域系数，处理结束后再进行反变换，这样就对图像进行了降噪处理，目前使用比较多的变换方法主要有傅立叶
【参考文献】：
期刊论文
[1]基于深度学习的乳腺癌病理图像自动分类[J]. 何雪英,韩忠义,魏本征. 计算机工程与应用. 2018(12)
[2]不平衡数据分类研究综述[J]. 陈湘涛,高亚静. 邵阳学院学报(自然科学版). 2017(02)
[3]基于卷积受限玻尔兹曼机的医学图像分类新方法[J]. 张娟,蒋芸,胡学伟,肖吉泽. 计算机工程与科学. 2017(02)
[4]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军. 计算机学报. 2017(06)
[5]深度卷积神经网络在计算机视觉中的应用研究综述[J]. 卢宏涛,张秦川. 数据采集与处理. 2016(01)
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
[2]基于X线图像的乳腺肿块检测与分类方法研究[D]. 韩振中.北京交通大学 2015
[3]多视角乳腺X线图像的乳腺癌检测与分类方法研究[D]. 李艳凤.北京交通大学 2015
硕士论文
[1]基于卷积神经网络的文献分析[D]. 李宗辰.长春工业大学 2017
[2]目标检测算法在乳腺病理图像分析中的应用[D]. 何剑.浙江大学 2017
[3]基于卷积神经网络的图像识别方法研究[D]. 段萌.郑州大学 2017
[4]基于卷积神经网络的图像识别[D]. 蒋帅.吉林大学 2017
[5]卷积神经网络在乳腺肿块分类中的研究与应用[D]. 江帆.昆明理工大学 2017
[6]基于深度学习的乳腺癌早期诊断研究[D]. 李静.杭州电子科技大学 2017
[7]基于AdaBoost的SRAM单元失效概率估计算法研究[D]. 韦峰.复旦大学 2014
[8]乳腺图像中肿块的特征提取与性质分析方法研究[D]. 叶鑫晶.西安电子科技大学 2014
[9]图像去噪处理技术[D]. 郭斌.西安电子科技大学 2012
[10]支持向量机及其在乳腺癌辅助诊断系统中的应用研究[D]. 高妮.西北大学 2009
本文编号：3278832
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3278832.html
