基于启发式算法优化卷积神经网络的医疗辅助诊断系统的设计与实现
发布时间：2021-11-12 21:39
2020年,新冠肺炎以一种极强的传染性在全球范围进行传播,医生以核酸检测作为是否确诊的标准时,无法满足在病毒载量不高时,医学检测的准确性,而肺部片子快、准的筛选方式成为了辅助医生确诊新冠肺炎的诊断模式。由此可见,医学影像的辅助诊断在我国起着不可或缺的作用。但是,我国的医疗影像数据仍处于呈指数增长的模式,随之而来的就是当前医疗资源的严峻紧张、医生的工作量加剧、误诊的概率不断增加。于是,智能化、自动化的医疗辅助诊断已成为当前医疗领域向着智慧、精准、高效方向发展的必然趋势。论文在国家自然科学基金项目（71971143、71571120）的资助下完成,具体研究如下。本文以医疗大数据为研究对象,结合群体智能技术与卷积神经网络分类方法,开发了一套从“数据采样---系统架构搭建---系统设计---系统测试”的完整的智能医疗辅助诊断系统,涵盖了面向不同用户（即医生、患者和管理员）的医疗影像增强、医疗辅助诊断和医疗数据统计的三大功能,为临床决策提供了量化依据和决策支持,降低了医生工作量,提高诊断准确率。下面展开了对医疗影像增强、医疗辅助诊断和医疗数据统计的研究,并给出了相应的解决方案。（1）组织器官的医...
【文章来源】：深圳大学广东省
【文章页数】：82 页
【学位级别】：硕士
【图文】：
本文研究内容
基于启发式算法优化卷积神经网络的医疗辅助诊断系统的设计与实现33图15.卷积网络结构图（1）卷积神经网络的前向运算过程在前向运算过程中，图像的特征提取，主要通过卷积神经网络的卷积层和池化层完成，层与层之间交替出现，达到了特征图提取和特征降维的目的。随着层数的不断加深，每层的特征图数量也在不断的增加，且特征图的尺寸在不断的下降。这样，就达到了在特征不变性的情况下，提取到更多的特征信息。卷积层：卷积是卷积神经网络不可或缺的核心操作。考虑到图像的像素空间具有密集型特征，越远的距离像素点相关性越低，于是，在输入原始图片或者经过预处理的图片时，将通过局部感受野的方式对图片中的特征图进行提取，这样每层只针对局部图像进行感知，随着层数的加深，每层的局部特征最终会被整理综合分析，已获得全局图像特征，可以避免传统神经网络中全连接造成的参数过多、计算复杂度较高的问题，使得神经网络在训练阶段的可实施性提高。下面公式（18）给出了卷积层输出特征的计算公式。1((,))mciiiFfconMCB(18)其中，cF代表着卷积后需要输出的特征；f表示激活函数；con表示卷积函数；iM代表着第i个输出的特征；iC表示着与输出的特征iM相对应的卷积核，且其个数均为m个；1B代表着偏置。池化层：池化是卷积神经网络的二次特征提取[78]，目的是为了在减少参数和数据的同时，未丢失原始图片的特征信息，防止过拟合的现象存在；同时拥有特征不变性特点，具备一定的抗噪能力，能够提高模型的泛化能力。
基于启发式算法优化卷积神经网络的医疗辅助诊断系统的设计与实现34对经过上一层卷积层所获得的多组特征图，再次根据池化函数进行池化降维例如，只取对应位置上的最大值（最大池化法）或者平均值（平均池化法）。如下图16，假设左边是一个单一的特征块，将此图像按照2个元素的间隔划分成4个2*2的区块，根据最大池化法，可得到右边的特征块，从数据量上看，池化后数据量降低3/4。图16.池化例子8前向运算过程的目标分类通过激活函数的响应和全连接层的映射完成。激活函数的引入是为了提高神经网络模型的非线性，将上一层输出的线性组合，映射到可以任意逼近的非线性函数，以供其构建适应于处理非线性数据类型的神经网络模型，使得网络的学习能力增强。全连接层：在前面多次的卷积、池化、激活操作后，已经获得了图片的多个局部特征块，而全连接层的作用是将这些特征块重新组合，再映射到样本的标记空间，实现目标的分类。公式（19）是全连接层的映射分类公式。2()oFfWTB(19)其中，oF是最终输出的分类矩阵；T代表着在全连接层输入的特征矩阵；与之一一对应的权值矩阵和偏置矩阵分别为W和2B；激活函数为f。（2）卷积神经网络的反向运算过程卷积神经网络的反向运算过程包含了反向传播以及权重更新。而反向传播分为两个部分：目标分类时的反向传播和全连接层时的反向传播。在目标分类输出层的反向传播，通过误差敏感项来判断每个网络节点对于最终的分类结果误差的贡献，以最小化误差为目标函数，反向更新网络的权重和偏8https://www.cnblogs.com/MrSaver/p/10356695.html.
【参考文献】：
期刊论文
[1]基于深度学习的皮肤影像分类[J]. 周航宁,谢凤英,姜志国,刘洁,晋红中,孟如松,崔勇. 协和医学杂志. 2018(01)
[2]自适应增强卷积神经网络图像识别[J]. 刘万军,梁雪剑,曲海成. 中国图象图形学报. 2017(12)
[3]基于虚拟光学密度图像的乳腺癌近期发病预测[J]. 张红军,闫士举,宋成利. 中国医学影像技术. 2017(08)
[4]刍议期刊文献的专题大数据挖掘价值——以《临床误诊误治》杂志误诊数据论文策划为例[J]. 丁滨,陈晓红. 编辑学报. 2016(05)
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]分数阶Laplace算子的谱理论及其在微分方程中的应用[D]. 杨变霞.兰州大学 2015
[3]乳腺X射线图像计算机辅助诊断方法研究[D]. 柏杏丽.中国矿业大学（北京） 2010
[4]SARS医学图像识别与辅助诊断研究[D]. 谢铉洋.中国科学技术大学 2006
硕士论文
[1]圆检测中Canny算子的改进及应用研究[D]. 段晓宇.河南大学 2018
[2]医疗辅助诊断系统的设计与实现[D]. 周成毅.西南科技大学 2018
[3]医学图像增强算法研究[D]. 陈韵竹.南京理工大学 2018
[4]基于粒子群算法的LeNet-5卷积神经网络优化研究[D]. 向展.华中科技大学 2016
[5]基于Hadoop的医疗辅助诊断系统的设计与实现[D]. 周羿阳.东华大学 2016
[6]基于模糊神经网络的智能医疗诊断辅助系统的研究[D]. 毛亮.辽宁工学院 2007
[7]基于医学影像的疾病诊断系统的设计及相关实现[D]. 韩晶.西安理工大学 2007
本文编号：3491703
【文章来源】：深圳大学广东省
【文章页数】：82 页
【学位级别】：硕士
【图文】：
本文研究内容
基于启发式算法优化卷积神经网络的医疗辅助诊断系统的设计与实现33图15.卷积网络结构图（1）卷积神经网络的前向运算过程在前向运算过程中，图像的特征提取，主要通过卷积神经网络的卷积层和池化层完成，层与层之间交替出现，达到了特征图提取和特征降维的目的。随着层数的不断加深，每层的特征图数量也在不断的增加，且特征图的尺寸在不断的下降。这样，就达到了在特征不变性的情况下，提取到更多的特征信息。卷积层：卷积是卷积神经网络不可或缺的核心操作。考虑到图像的像素空间具有密集型特征，越远的距离像素点相关性越低，于是，在输入原始图片或者经过预处理的图片时，将通过局部感受野的方式对图片中的特征图进行提取，这样每层只针对局部图像进行感知，随着层数的加深，每层的局部特征最终会被整理综合分析，已获得全局图像特征，可以避免传统神经网络中全连接造成的参数过多、计算复杂度较高的问题，使得神经网络在训练阶段的可实施性提高。下面公式（18）给出了卷积层输出特征的计算公式。1((,))mciiiFfconMCB(18)其中，cF代表着卷积后需要输出的特征；f表示激活函数；con表示卷积函数；iM代表着第i个输出的特征；iC表示着与输出的特征iM相对应的卷积核，且其个数均为m个；1B代表着偏置。池化层：池化是卷积神经网络的二次特征提取[78]，目的是为了在减少参数和数据的同时，未丢失原始图片的特征信息，防止过拟合的现象存在；同时拥有特征不变性特点，具备一定的抗噪能力，能够提高模型的泛化能力。
基于启发式算法优化卷积神经网络的医疗辅助诊断系统的设计与实现34对经过上一层卷积层所获得的多组特征图，再次根据池化函数进行池化降维例如，只取对应位置上的最大值（最大池化法）或者平均值（平均池化法）。如下图16，假设左边是一个单一的特征块，将此图像按照2个元素的间隔划分成4个2*2的区块，根据最大池化法，可得到右边的特征块，从数据量上看，池化后数据量降低3/4。图16.池化例子8前向运算过程的目标分类通过激活函数的响应和全连接层的映射完成。激活函数的引入是为了提高神经网络模型的非线性，将上一层输出的线性组合，映射到可以任意逼近的非线性函数，以供其构建适应于处理非线性数据类型的神经网络模型，使得网络的学习能力增强。全连接层：在前面多次的卷积、池化、激活操作后，已经获得了图片的多个局部特征块，而全连接层的作用是将这些特征块重新组合，再映射到样本的标记空间，实现目标的分类。公式（19）是全连接层的映射分类公式。2()oFfWTB(19)其中，oF是最终输出的分类矩阵；T代表着在全连接层输入的特征矩阵；与之一一对应的权值矩阵和偏置矩阵分别为W和2B；激活函数为f。（2）卷积神经网络的反向运算过程卷积神经网络的反向运算过程包含了反向传播以及权重更新。而反向传播分为两个部分：目标分类时的反向传播和全连接层时的反向传播。在目标分类输出层的反向传播，通过误差敏感项来判断每个网络节点对于最终的分类结果误差的贡献，以最小化误差为目标函数，反向更新网络的权重和偏8https://www.cnblogs.com/MrSaver/p/10356695.html.
【参考文献】：
期刊论文
[1]基于深度学习的皮肤影像分类[J]. 周航宁,谢凤英,姜志国,刘洁,晋红中,孟如松,崔勇. 协和医学杂志. 2018(01)
[2]自适应增强卷积神经网络图像识别[J]. 刘万军,梁雪剑,曲海成. 中国图象图形学报. 2017(12)
[3]基于虚拟光学密度图像的乳腺癌近期发病预测[J]. 张红军,闫士举,宋成利. 中国医学影像技术. 2017(08)
[4]刍议期刊文献的专题大数据挖掘价值——以《临床误诊误治》杂志误诊数据论文策划为例[J]. 丁滨,陈晓红. 编辑学报. 2016(05)
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]分数阶Laplace算子的谱理论及其在微分方程中的应用[D]. 杨变霞.兰州大学 2015
[3]乳腺X射线图像计算机辅助诊断方法研究[D]. 柏杏丽.中国矿业大学（北京） 2010
[4]SARS医学图像识别与辅助诊断研究[D]. 谢铉洋.中国科学技术大学 2006
硕士论文
[1]圆检测中Canny算子的改进及应用研究[D]. 段晓宇.河南大学 2018
[2]医疗辅助诊断系统的设计与实现[D]. 周成毅.西南科技大学 2018
[3]医学图像增强算法研究[D]. 陈韵竹.南京理工大学 2018
[4]基于粒子群算法的LeNet-5卷积神经网络优化研究[D]. 向展.华中科技大学 2016
[5]基于Hadoop的医疗辅助诊断系统的设计与实现[D]. 周羿阳.东华大学 2016
[6]基于模糊神经网络的智能医疗诊断辅助系统的研究[D]. 毛亮.辽宁工学院 2007
[7]基于医学影像的疾病诊断系统的设计及相关实现[D]. 韩晶.西安理工大学 2007
本文编号：3491703
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3491703.html
