自身免疫类和眼底疾病自动化诊断方法研究
发布时间：2023-08-26 02:16
随着人工智能技术的不断发展,许多行业孵化出了与人工智能相关的应用。人工智能+医疗就是其中很重要的一个研究方向,人工智能在医疗健康领域的应用前景也正吸引着越来越多的关注。以此为契机,也孕育出了许多利用人工智能技术以医学影像数据为研究载体进行具体的医学领域任务的应用,如早期筛查、辅助临床诊断等。深度学习作为人工智能的一个代表性技术,在学术界和工业界得到了广泛使用,致力于具体实际应用的关键技术突破。在医学领域,利用人工智能的相关技术对疾病的早期筛查是一项非常有意义的工作,不仅能够减轻医务人员的工作量,还能实现快速、便携式检查与诊断。同时,通过早期筛查,医生也能够在病情发展早期对疾病及时地进行干预治疗。利用人工智能的相关技术开发出自动化诊断系统,辅助临床医生做出科学的医学诊断也已成为不可逆转的发展趋势。这一工作不仅能节约医疗资源,也能有效地解决因医生的主观因素造成的漏诊、误诊的问题。本文主要围绕深度学习在自身免疫类疾病检测和眼底疾病筛查及检测两个医学领域的算法与应用展开研究,旨在开发出利用人体上皮(Human Epithelial type 2,HEp-2)细胞进行自身免疫类疾病检测的自动化诊...
【文章页数】：132 页
【学位级别】：博士
【文章目录】：
摘要
ABSTRACT
第1章 绪论
1.1 研究背景及意义
1.2 国内外研究现状
1.2.1 自身免疫类疾病自动化诊断研究现状
1.2.2 眼底疾病自动化诊断研究现状
1.3 深度学习技术概述
1.4 本文的主要研究内容及组织结构
1.4.1 主要研究内容
1.4.2 本文的组织结构
第2章 基于深度监督全卷积网络的HEP-2样本图像分割方法
2.1 引言
2.2 相关工作概述
2.2.1 图像分割
2.2.2 全卷积网络
2.2.3 多层监督机制
2.3 方法
2.3.1 稠密反卷积层
2.3.2 多层监督机制
2.4 实验设置与结果
2.4.1 数据集
2.4.2 数据增强
2.4.3 评价指标
2.4.4 实验结果
2.4.4.1 不同数据增强数据集的实验结果比较
2.4.4.2 多层监督机制的消融实验结果
2.4.4.3 稠密反卷积层的消融实验结果
2.4.4.4 不同着色模式的实验结果
2.4.4.5 对比其他方法的实验结果
2.5 讨论
2.5.1 数据集大小的影响
2.5.2 网络深度的影响
2.5.3 分割失败的例子
2.6 本章小结
第3章 基于对抗网络的HEP-2细胞分割与分类方法
3.1 引言
3.2 相关工作概述
3.2.1 生成式对抗网络(GANs)
3.2.2 联合分割与分类任务
3.3 方法
3.3.1 生成式对抗网络结构
3.3.2 生成器的设计
3.3.3 分类器的设计
3.4 实验与结果
3.4.1 实验设置与数据集
3.4.2 评估指标
3.4.3 实验结果
3.4.3.1 分割结果及分析
3.4.3.2 分类结果及分析
3.5 本章小结
第4章 基于注意力编码器及多分支结构生成式对抗网络的异常眼底图像检测方法
4.1 引言
4.2 相关工作概述
4.2.1 生成式对抗网络在医学图像领域的应用研究
4.2.2 注意力机制在医学图像处理的应用研究
4.2.3 多分支网络在医学图像处理的应用研究
4.3 网络框架及方法
4.3.1 生成式对抗网络的原理
4.3.2 生成器的结构设计
4.3.2.1 生成流网络
4.3.2.2 注意力模块
4.3.2.3 编码器网络
4.3.3 判别器(分类器)网络结构的设计
4.3.3.1 多分支网络
4.3.3.2 深度非对称空洞卷积模块
4.3.4 损失函数的设计
4.3.4.1 对抗损失函数
4.3.4.2 分类损失函数
4.3.4.3 内容损失函数
4.3.4.4 生成式对抗网络的总体损失函数
4.4 实验设置与实验结果
4.4.1 实验设置
4.4.1.1 数据集与评估标准
4.4.1.2 模型实现的详细设置
4.4.2 实验结果
4.4.2.1 生成器的评估
4.4.2.2 分类器的评估
4.5 讨论
4.6 本章小结
第5章 基于交叉注意力与多分支网络的眼底疾病分类方法
5.1 引言
5.2 相关工作概述
5.2.1 多分支网络
5.2.2 注意力机制
5.3 网络架构及方法
5.3.1 多分支网络及空洞空间金字塔池化模块
5.3.2 深度注意力模块
5.3.3 交叉注意力模块
5.4 实验设置与结果
5.4.1 数据集与评估标准
5.4.2 实验设置
5.4.3 实验结果
5.4.4 消融研究
5.4.5 本章工作的限制与未来工作
5.5 本章小结
第6章 总结与展望
6.1 全文总结
6.2 未来工作展望
参考文献
指导教师对研究生学位论文的学术评语
答辩委员会决议书
致谢
攻读博士学位期间的研究成果
本文编号：3843757
【文章页数】：132 页
【学位级别】：博士
【文章目录】：
摘要
ABSTRACT
第1章 绪论
1.1 研究背景及意义
1.2 国内外研究现状
1.2.1 自身免疫类疾病自动化诊断研究现状
1.2.2 眼底疾病自动化诊断研究现状
1.3 深度学习技术概述
1.4 本文的主要研究内容及组织结构
1.4.1 主要研究内容
1.4.2 本文的组织结构
第2章 基于深度监督全卷积网络的HEP-2样本图像分割方法
2.1 引言
2.2 相关工作概述
2.2.1 图像分割
2.2.2 全卷积网络
2.2.3 多层监督机制
2.3 方法
2.3.1 稠密反卷积层
2.3.2 多层监督机制
2.4 实验设置与结果
2.4.1 数据集
2.4.2 数据增强
2.4.3 评价指标
2.4.4 实验结果
2.4.4.1 不同数据增强数据集的实验结果比较
2.4.4.2 多层监督机制的消融实验结果
2.4.4.3 稠密反卷积层的消融实验结果
2.4.4.4 不同着色模式的实验结果
2.4.4.5 对比其他方法的实验结果
2.5 讨论
2.5.1 数据集大小的影响
2.5.2 网络深度的影响
2.5.3 分割失败的例子
2.6 本章小结
第3章 基于对抗网络的HEP-2细胞分割与分类方法
3.1 引言
3.2 相关工作概述
3.2.1 生成式对抗网络(GANs)
3.2.2 联合分割与分类任务
3.3 方法
3.3.1 生成式对抗网络结构
3.3.2 生成器的设计
3.3.3 分类器的设计
3.4 实验与结果
3.4.1 实验设置与数据集
3.4.2 评估指标
3.4.3 实验结果
3.4.3.1 分割结果及分析
3.4.3.2 分类结果及分析
3.5 本章小结
第4章 基于注意力编码器及多分支结构生成式对抗网络的异常眼底图像检测方法
4.1 引言
4.2 相关工作概述
4.2.1 生成式对抗网络在医学图像领域的应用研究
4.2.2 注意力机制在医学图像处理的应用研究
4.2.3 多分支网络在医学图像处理的应用研究
4.3 网络框架及方法
4.3.1 生成式对抗网络的原理
4.3.2 生成器的结构设计
4.3.2.1 生成流网络
4.3.2.2 注意力模块
4.3.2.3 编码器网络
4.3.3 判别器(分类器)网络结构的设计
4.3.3.1 多分支网络
4.3.3.2 深度非对称空洞卷积模块
4.3.4 损失函数的设计
4.3.4.1 对抗损失函数
4.3.4.2 分类损失函数
4.3.4.3 内容损失函数
4.3.4.4 生成式对抗网络的总体损失函数
4.4 实验设置与实验结果
4.4.1 实验设置
4.4.1.1 数据集与评估标准
4.4.1.2 模型实现的详细设置
4.4.2 实验结果
4.4.2.1 生成器的评估
4.4.2.2 分类器的评估
4.5 讨论
4.6 本章小结
第5章 基于交叉注意力与多分支网络的眼底疾病分类方法
5.1 引言
5.2 相关工作概述
5.2.1 多分支网络
5.2.2 注意力机制
5.3 网络架构及方法
5.3.1 多分支网络及空洞空间金字塔池化模块
5.3.2 深度注意力模块
5.3.3 交叉注意力模块
5.4 实验设置与结果
5.4.1 数据集与评估标准
5.4.2 实验设置
5.4.3 实验结果
5.4.4 消融研究
5.4.5 本章工作的限制与未来工作
5.5 本章小结
第6章 总结与展望
6.1 全文总结
6.2 未来工作展望
参考文献
指导教师对研究生学位论文的学术评语
答辩委员会决议书
致谢
攻读博士学位期间的研究成果
本文编号：3843757
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3843757.html
