基于人工智能构建诊断肺结节的良恶性多种病理类型的分类模型研究
发布时间：2022-01-25 06:15
近年来,肺部计算机断层扫描（Computed Tomography,CT）影像学信息和肺肿瘤标志物（Tumor markers,TMs）信息越来越被广泛的应用于肺结节良恶性的智能化诊断中。利用人工智能技术（Artificial Intelligence,AI）在数据挖掘方面的优势,可以从肺部CT影像和肺部肿瘤标志物中提取出与肺结节病理类型之间相关的潜在信息,实现肺结节良恶性的多种病理类型的诊断与分类。人工智能技术有利于减轻临床医学工作者的工作压力,从而进一步提升临床中肺结节的诊断效率和诊断准确率。在应用于肺结节良恶性多种病理诊断的多分辨率3D多分类深度学习模型的设计研究中,首先利用3D多分辨率的方法完整地提取肺部CT影像中肺结节3D体数据信息;其次,以双通路网络（Dual Path Network,DPN）为主网络,构建了一个肺结节良恶性多种病理类型诊断的多分辨率3D多分类深度学习模型;再次,在炎症、鳞癌、腺癌和良性其他等四种分类的数据集上进行了模型训练及验证;最终,经实验测试,本论文所构建的多分辨率3D多分类深度学习模型获得了 0.805的准确率（Accuracy,ACC）,受试者工...
【文章来源】：山东大学山东省 211工程院校 985工程院校 教育部直属院校
【文章页数】：64 页
【学位级别】：硕士
【部分图文】：
图２．?１?Ｓｉｇｍｏｉｄ激活函数??－
?山东大学硕士学位论文???Ｓｉｇｍｏｉｄ??１??，／??０．４－?／??？?ｊ??０．０－｜?—????????－４－２?０?２?４??Ｘ??图２．?１?Ｓｉｇｍｏｉｄ激活函数??Ｔａｎｈ函数将输出变量映射到（－１，１）之间。相比较于Ｓｉｇｍｏｉｄ激活函数，??其输出是以０为中心的，收敛速度也比Ｓｉｇｍｏｉｄ函数快。但是Ｔａｎｈ函数同样??具有软饱和性，并且其函数在自变量取值为无穷的时候，导数会以更快速度??趋于０，从而会导致更严重的梯度消失问题，所以Ｔａｎｈ激活函数同样只适用??于浅层的神经网络模型。其函数表达式如式（２．?２），其对应的曲线示意图如图??２．?２所示。??／（ｘ）＾ｅｘｐ（ｘ）－ｅｘｐ（－ｘ２?（２．２）??ｅｘｐ（ｘ）?＋?ｅｘｐ（－ｘ）???Ｔａｎｈ???１．００?－?＾—???０．７５－?ｆ??０．５０?／??ｔｔ２５?／??｜?０．００．?／??－０．２５－?／??－０．５０?■?Ｉ??－０．７５?／??－１．００?????－４?－２?０?２?４??Ｘ??图２．２?Ｔａｎｈ激活函数??Ｒｅｌｕ激活函数是目前使用最为频繁的激活函数，相比较于Ｓｉｇｍｏｉｄ以及??Ｔａｎｈ激活函数，Ｒｅｌｕ激活函数实现起来比较简单，且没有指数计算，求导更??为方便。Ｒｅｌｕ激活函数在输入为负值的时候全部映射为０，解决了?Ｓｉｇｍｏｉｄ??函数以及Ｔａｎｈ函数的软饱和问题，但是，同时会导致在训练的过程中出现节??点输出值长时间为〇的现象，称为“死节点”。“死节点”不能对数据进行??激活，从而影响整体网络性
?山东大学硕士学位论文???〔Ｘ，?ｘ?＞?０??／（ｘ）?＝?｜ｏ，?ｘ＜０?（２．３）???Ｒｅｌｕ???５－１??－４－２?０?２?４??Ｘ??图２．?３?Ｒｅｌｕ激活函数??ＬＲｅｌｕ激活函数是由Ｒｅｌｕ激活函数演变而来。由于Ｒｅｌｕ激活函数存在??“死节点”问题，影响网络训练的性能，所以ＬＲｅｌｕ激活函数在原始Ｒｅｌｕ??激活函数基础上，将小于０的部分映射为一个泄露值，如公式（２．?４）所示。这??样在自变量小于０的时候斜率不为０，从而使得参数的梯度不消失，降低“死??节点”对整体网络性能的影响程度，并且ＬＲｅｌｕ在训练过程中收敛速度更快，??学习性能更强。其函数表达式如公式（２．?４），其对应的激活函数示意图如图??２．?４所示。??［ｘ．?ｘ?＞?０??／Ｗ?＝?Ｕ?，＜〇，，＞〇?（２．４）??：：瞻??Ｘ??图２．?４?ＬＲｅｌｕ激活函数??（２）多分类模型分类器??本次研究是关于肺结节多种病理类型的多分类研宄，所以在本次研究中??选取了适合多分类的Ｓｏｆｔｍａｘ分类器。Ｓｏｆｔｍａｘ分类器是Ｌｏｇｉｓｔｉｃ回归方法??在多分类研宄上的推广，两者都是采用最大似然原理对模型进行损失优化的??９??
【参考文献】：
期刊论文
[1]多项肺系统肿瘤标志物异常在晚期肺腺癌治疗中的作用[J]. 彭彦,王燕,郝学志,李峻岭,刘雨桃,王宏羽. 中国肺癌杂志. 2017(10)
博士论文
[1]第一部分 孤立肺结节良恶性鉴别诊断模型的建立及验证 第二部分 非小细胞肺癌复发监测血清分子标志物的研究[D]. 董静思.北京协和医学院 2014
本文编号：3608035
【文章来源】：山东大学山东省 211工程院校 985工程院校 教育部直属院校
【文章页数】：64 页
【学位级别】：硕士
【部分图文】：
图２．?１?Ｓｉｇｍｏｉｄ激活函数??－
?山东大学硕士学位论文???Ｓｉｇｍｏｉｄ??１??，／??０．４－?／??？?ｊ??０．０－｜?—????????－４－２?０?２?４??Ｘ??图２．?１?Ｓｉｇｍｏｉｄ激活函数??Ｔａｎｈ函数将输出变量映射到（－１，１）之间。相比较于Ｓｉｇｍｏｉｄ激活函数，??其输出是以０为中心的，收敛速度也比Ｓｉｇｍｏｉｄ函数快。但是Ｔａｎｈ函数同样??具有软饱和性，并且其函数在自变量取值为无穷的时候，导数会以更快速度??趋于０，从而会导致更严重的梯度消失问题，所以Ｔａｎｈ激活函数同样只适用??于浅层的神经网络模型。其函数表达式如式（２．?２），其对应的曲线示意图如图??２．?２所示。??／（ｘ）＾ｅｘｐ（ｘ）－ｅｘｐ（－ｘ２?（２．２）??ｅｘｐ（ｘ）?＋?ｅｘｐ（－ｘ）???Ｔａｎｈ???１．００?－?＾—???０．７５－?ｆ??０．５０?／??ｔｔ２５?／??｜?０．００．?／??－０．２５－?／??－０．５０?■?Ｉ??－０．７５?／??－１．００?????－４?－２?０?２?４??Ｘ??图２．２?Ｔａｎｈ激活函数??Ｒｅｌｕ激活函数是目前使用最为频繁的激活函数，相比较于Ｓｉｇｍｏｉｄ以及??Ｔａｎｈ激活函数，Ｒｅｌｕ激活函数实现起来比较简单，且没有指数计算，求导更??为方便。Ｒｅｌｕ激活函数在输入为负值的时候全部映射为０，解决了?Ｓｉｇｍｏｉｄ??函数以及Ｔａｎｈ函数的软饱和问题，但是，同时会导致在训练的过程中出现节??点输出值长时间为〇的现象，称为“死节点”。“死节点”不能对数据进行??激活，从而影响整体网络性
?山东大学硕士学位论文???〔Ｘ，?ｘ?＞?０??／（ｘ）?＝?｜ｏ，?ｘ＜０?（２．３）???Ｒｅｌｕ???５－１??－４－２?０?２?４??Ｘ??图２．?３?Ｒｅｌｕ激活函数??ＬＲｅｌｕ激活函数是由Ｒｅｌｕ激活函数演变而来。由于Ｒｅｌｕ激活函数存在??“死节点”问题，影响网络训练的性能，所以ＬＲｅｌｕ激活函数在原始Ｒｅｌｕ??激活函数基础上，将小于０的部分映射为一个泄露值，如公式（２．?４）所示。这??样在自变量小于０的时候斜率不为０，从而使得参数的梯度不消失，降低“死??节点”对整体网络性能的影响程度，并且ＬＲｅｌｕ在训练过程中收敛速度更快，??学习性能更强。其函数表达式如公式（２．?４），其对应的激活函数示意图如图??２．?４所示。??［ｘ．?ｘ?＞?０??／Ｗ?＝?Ｕ?，＜〇，，＞〇?（２．４）??：：瞻??Ｘ??图２．?４?ＬＲｅｌｕ激活函数??（２）多分类模型分类器??本次研究是关于肺结节多种病理类型的多分类研宄，所以在本次研究中??选取了适合多分类的Ｓｏｆｔｍａｘ分类器。Ｓｏｆｔｍａｘ分类器是Ｌｏｇｉｓｔｉｃ回归方法??在多分类研宄上的推广，两者都是采用最大似然原理对模型进行损失优化的??９??
【参考文献】：
期刊论文
[1]多项肺系统肿瘤标志物异常在晚期肺腺癌治疗中的作用[J]. 彭彦,王燕,郝学志,李峻岭,刘雨桃,王宏羽. 中国肺癌杂志. 2017(10)
博士论文
[1]第一部分 孤立肺结节良恶性鉴别诊断模型的建立及验证 第二部分 非小细胞肺癌复发监测血清分子标志物的研究[D]. 董静思.北京协和医学院 2014
本文编号：3608035
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3608035.html
