基于深度学习的胸透X光片肺炎检测算法研究
发布时间：2023-07-26 09:04
肺炎是世界各地儿童和老年人死亡的主要原因之一。全球超过15%的死亡是由肺炎引起的,其中包括5岁以下儿童。肺炎是一种细菌、病毒或真菌引起的肺部的感染,导致肺部出现炎症,引起肺泡充满脓等液体。如果不及时诊断,可能危及生命。胸透是世界范围内重要的肺炎诊断方法。然而,需要有知识和经验的专家来仔细阅读胸部X射线图像。胸部X射线图像作为检测肺炎等胸部疾病的重要依据,但因为胸部其他几种疾病如肺癌、肺部液体过多等也会在图像上显示出类似肺炎的视觉信号,从而导致通过人工读取胸部X射线图像来检测肺炎的过程可能会很耗时,而且准确性较低。因而为了更好的辅助放射科医生读取胸部X射线图像,开发一个自动检测肺炎的模型是十分有意义的。目前,肺炎检测模型面临两个问题:其一,胸片中肺炎的检测不同于传统的目标检测,传统的目标检测中目标的特征十分明显,而胸片中肺炎的视觉信号的特征不明显;其二,对于肺炎的检测而言,不仅需要观察胸片,还要询问病人的临床史。这些问题给肺炎的检测带来了一定的困难。近期,随着人工智能的发展,深度学习在医学图像上的应用表现出极大的优势。随着深度学习在目标检测上不断的发展和高性能的实现,深度学习可以更好地解...
【文章页数】：96 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第1章 绪论
1.1 胸部X射线成像
1.2 肺炎检测的研究背景和意义
1.2.1 肺炎检测的研究背景
1.2.2 肺炎检测的研究目的与意义
1.3 国内外研究现状
1.3.1 国内研究现状
1.3.2 国外发展现状
1.4 论文主要内容及结构
第2章 深度学习简介
2.1 深度学习
2.2 神经网络的相关知识
2.2.1 人工神经网络
2.2.2 卷积神经网络的基本结构
2.2.3 卷积神经网络的计算
2.2.4 激活函数
2.3 基于深度学习的目标检测算法
2.3.1 引言
2.3.2 Faster R-CNN算法
2.3.3 Mask R-CNN算法
2.3.4 YOLOv3网络
2.3.5 RetinaNet网络
2.4 总结
第3章 数据准备及预处理
3.1 胸部X光片下的肺炎表现
3.2 数据集介绍
3.3 数据分析
3.3.1 图像转换
3.3.2 数据的标签类别分析
3.4 数据预处理
3.5 本章总结
第4章 基于深度学习的肺炎检测算法
4.1 模型选择
4.2 基于改进的Faster R-CNN的肺炎检测算法
4.2.1 改进的Faster R-CNN网络模型
4.2.2 Faster R-CNN模型解析
4.2.3 候选框回归
4.2.4 训练过程及模型参数
4.2.5 实验数据
4.2.6 评价指标和实验结果
4.2.7 实验分析
4.3 基于改进的YOLOv3的肺炎检测算法
4.3.1 YOLOv3网络结构
4.3.2 改进的特征融合方式
4.3.3 YOLOv3的边界框预测
4.3.4 训练过程及模型参数
4.3.5 实验结果
4.3.6 实验分析
4.4 基于改进的RetinaNet的肺炎检测算法
4.4.1 RetinaNet网络的优势
4.4.2 改进的RetinaNet网络结构
4.4.3 RetinaNet网络中候选边界框的生成
4.4.4 Focal Loss损失函数
4.4.5 训练过程及模型参数设置
4.4.6 基于融合的RetinaNet网络的肺炎检测算法
4.4.7 实验结果
4.4.8 实验分析
4.5 基于改进的Mask R-CNN肺炎检测算法
4.5.1 改进的Mask R-CNN网络结构
4.5.2 Mask R-CNN网络中的候选边界框生成机制
4.5.3 训练过程及网络参数设置
4.5.4 基于融合的Mask R-CNN网络的肺炎检测算法
4.5.5 实验结果
4.5.6 实验分析
4.6 基于RetinaNet和 Mask R-CNN融合的肺炎检测算法
4.7 实验综合分析
4.8 总结
第5章 总结和展望
5.1 论文总结
5.2 展望
参考文献
攻读硕士学位期间取得的研究成果
致谢
本文编号：3837293
【文章页数】：96 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第1章 绪论
1.1 胸部X射线成像
1.2 肺炎检测的研究背景和意义
1.2.1 肺炎检测的研究背景
1.2.2 肺炎检测的研究目的与意义
1.3 国内外研究现状
1.3.1 国内研究现状
1.3.2 国外发展现状
1.4 论文主要内容及结构
第2章 深度学习简介
2.1 深度学习
2.2 神经网络的相关知识
2.2.1 人工神经网络
2.2.2 卷积神经网络的基本结构
2.2.3 卷积神经网络的计算
2.2.4 激活函数
2.3 基于深度学习的目标检测算法
2.3.1 引言
2.3.2 Faster R-CNN算法
2.3.3 Mask R-CNN算法
2.3.4 YOLOv3网络
2.3.5 RetinaNet网络
2.4 总结
第3章 数据准备及预处理
3.1 胸部X光片下的肺炎表现
3.2 数据集介绍
3.3 数据分析
3.3.1 图像转换
3.3.2 数据的标签类别分析
3.4 数据预处理
3.5 本章总结
第4章 基于深度学习的肺炎检测算法
4.1 模型选择
4.2 基于改进的Faster R-CNN的肺炎检测算法
4.2.1 改进的Faster R-CNN网络模型
4.2.2 Faster R-CNN模型解析
4.2.3 候选框回归
4.2.4 训练过程及模型参数
4.2.5 实验数据
4.2.6 评价指标和实验结果
4.2.7 实验分析
4.3 基于改进的YOLOv3的肺炎检测算法
4.3.1 YOLOv3网络结构
4.3.2 改进的特征融合方式
4.3.3 YOLOv3的边界框预测
4.3.4 训练过程及模型参数
4.3.5 实验结果
4.3.6 实验分析
4.4 基于改进的RetinaNet的肺炎检测算法
4.4.1 RetinaNet网络的优势
4.4.2 改进的RetinaNet网络结构
4.4.3 RetinaNet网络中候选边界框的生成
4.4.4 Focal Loss损失函数
4.4.5 训练过程及模型参数设置
4.4.6 基于融合的RetinaNet网络的肺炎检测算法
4.4.7 实验结果
4.4.8 实验分析
4.5 基于改进的Mask R-CNN肺炎检测算法
4.5.1 改进的Mask R-CNN网络结构
4.5.2 Mask R-CNN网络中的候选边界框生成机制
4.5.3 训练过程及网络参数设置
4.5.4 基于融合的Mask R-CNN网络的肺炎检测算法
4.5.5 实验结果
4.5.6 实验分析
4.6 基于RetinaNet和 Mask R-CNN融合的肺炎检测算法
4.7 实验综合分析
4.8 总结
第5章 总结和展望
5.1 论文总结
5.2 展望
参考文献
攻读硕士学位期间取得的研究成果
致谢
本文编号：3837293
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3837293.html
