基于深度学习的宫颈病变检测方法研究

发布时间：2021-07-16 16:28

　　近年来,为了给医生提供有效的辅助诊断信息,以机器学习图像处理技术为基础的计算机辅助诊断（CAD）正变得越来越重要。基于医学生物图像的CAD系统,一方面可以提高临床医生阅片效率,提高诊断精度,另一方面可为医疗条件相对匮乏地区提供快速诊断方案,降低诊断成本。基于机器学习的医学图像处理主要包括图像预处理、感兴趣区域（ROI）分割、特征提取等,其研究内容集中在医学图像识别分割,特征提取和分类等。针对宫颈癌筛查过程中产生的阴道镜图像和病理诊断数据,本文提出多种基于机器学习和深度学习相关的宫颈病变图像处理算法,旨在提高宫颈癌筛查效率和医生诊断准确率,相关研究成果如下:基于K-means的子宫颈区域分割算法,实现子宫颈区域在医学和解剖学意义上的划分和提取。首先,利用直方图阈值法,对阴道镜图像亮度直方图（Y）进行分析,去除子宫颈图像中的镜面反射区域;然后将预处理后的阴道镜图像转换成HSV格式,运用K-means算法对V分量进行提取;最后利用面积滤波平滑边缘,从而分割出子宫颈区域。对110例标准阴道镜图像进行验证,利用多种客观指标对分割结果进行分析。基于CNN的阴道镜图像特征重标定的子宫颈病变区域检测算... 

【文章来源】：华侨大学福建省

【文章页数】：68 页

【学位级别】：硕士

【部分图文】：

宫颈病变诊断主要流程

10结构中至少包含一个反馈连接（自循环），像素级的RNN被用作自回归模型，生成模型最终可以产生类似于训练集样本的新图像[53]。图2.1U型网络结构2.2目标检测相关理论目标检测作为计算机视觉领域非常重要的研究方向，在行人跟踪、车牌识别、无人驾驶等方面具有重要应用。近年来，随着深度学习对图像分类准确度的大幅度提高，基于深度学习的目标检测算法逐渐成为主流。目标检测也是多种图像与视频分析任务的重要前提，例如异常分析、动作检测、场景语义理解、病灶辅助诊断等都可以采用图像处理和模式识别技术。目标检测可标定图像中的前景和背景，确定目标对象所代表的语义类型，最后标出目标对象在图像中的具体位置[54]。目标检测通常会受到以下几个方面的制约：类内差异大，而类间差异小，制约目标检测算法的性能；数据采集过程中目标物遭到遮挡从而影响目标物的标注导致算法鲁棒性下降；高维稀疏空间特征，标准数据集的制作比较困难，大量的人力和物力消耗造成目标检测算法的性价比较低，因此需要设计简洁高效的目标检测算法[55]。基于传统经典机器学习算法摸，为实现行人检测和相关物体识别，通常采用手工特征结合滑动窗口的算法模型。图像特征可用Haar小波表示，特征分类

12图2.2RPN网络结构随着人们对检测速度要求的提高，基于One-stage思路的YOLO算法应运而生，如图2.3所示。该算法的目的是更加快速的进行目标物的分类和候选框的回归，首先将输入图像进行等量划分，并对相关区域内的目标物进行分类和候选框回归，从而实现快速检测[58]。图2.3YOLO网格划分SSD结合FasterR-CNN和YOLO的优点，其中RPN网络具有保证检测精度的特性，将YOLO的思路中添加RPN的想法可以实现更加高效的检测[59]。

【参考文献】：
期刊论文
[1]分段卷积神经网络在文本情感分析中的应用[J]. 杜昌顺,黄磊.  计算机工程与科学. 2017(01)
[2]语音识别中卷积神经网络优化算法[J]. 刘长征,张磊.  哈尔滨理工大学学报. 2016(03)
[3]深度学习的昨天、今天和明天[J]. 余凯,贾磊,陈雨强,徐伟.  计算机研究与发展. 2013(09)



本文编号：3287352