基于深度学习的特征融合及其在医学图像中的应用

发布时间：2020-04-16 12:34

【摘要】：医学影像分析是广大医务人员诊断疾病的主要方式,本文针对OCT视网膜数据和Chest X-Ray肺炎数据等医学影像数据的特点,提出一种基于卷积神经网络和迁移学习的深度融合方法。利用深度学习的方法时,OCT视网膜数据和Chest X-Ray肺炎数据的数据量依然不足,提出一种基于卷积神经网络和迁移学习的可以融合多种基础卷积神经网络模型所提取特征的新模型,使用的基础卷积神经网络模型为VGG16、ResNet50和Inception V3。本文首先对输入模型的数据进行随机变换,然后使用卷积神经网络提取高级特征,接着对高级特征进行融合,并加入噪声,融合后的特征进一步进行特征提取,并通过降维和稀疏性限制的方法减少冗余特征,最后使用softmax函数进行分类。本文模型的参数初始化使用Xavier方法,并使用批归一化避免训练过程的来回震荡,加快训练速度;为了降低过拟合使用dropout方法,在损失函数计算时使用L1正则化;为了提高鲁棒性,对预训练的基础模型提取的特征加入噪声。本文所提出的模型在OCT视网膜数据上的分类准确率为97.84%,在Chest X-Ray肺炎数据二分类问题的分类准确率高达99.17%,在对肝癌数据的分类问题中,准确率达到98.3%。为了实际应用,本文基于所提出的算法,完成了一个医学影像分析软件,可以辅助医生完成图像的判定工作。
【图文】：

为解决全连接参数量剧增的缺点，卷积神经网络应运而生，针对于图像，逡逑局部特征比全局特征更需要被关注，卷积神经网络的局部连接更符合实际情况。逡逑卷积运算Ｉ２６】是卷积神经网络的核心步骤。卷积原本是一种数学运算，用表逡逑示，式Ｐ－１）表示卷积运算。在卷积神经网络中，Ｘ为输入，Ｗ为核函数，输出实际是逡逑特征映射。逡逑ｓ⑴＝邋（ｘ＊ｉｖ）（ｔ）逦（２－１）逡逑实际应用时，输入数据通常是多维数组，而核是由学习算法优化得到的的参数。逡逑若将一张二维的图像／作为输入，需要一个二维的核尺，如式（２－２）所示。逡逑Ｓ（Ｕ）邋＝邋（／＊／0（0？）邋＝邋ＥｍＥｎ／（ｍ，ｎＫ（ｉ邋－ｍｊ邋－ｎ）逦（２－２）逡逑卷积满足交换律，式（２－２）等价于式（２－３）：逡逑Ｓ（ｉ，，ｊ）邋＝邋（＾＊／）（ｉ，；）邋＝邋Ｅｍ２］ｎ／（ｉ－ｍ；；＇－ｎ）／Ｃ（ｍ，ｎ）逦（２－３）逡逑

池化运算平均池化
【学位授予单位】：武汉科技大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：R445;TP18;TP391.41

【参考文献】

相关期刊论文 前3条

1 胡从依;柳杰;刘佩芳;;数字化乳腺X线摄影评估乳腺密度、诊断乳腺癌的研究进展[J];中国医学影像技术;2015年10期

2 余凯;贾磊;陈雨强;徐伟;;深度学习的昨天、今天和明天[J];计算机研究与发展;2013年09期

3 余爱民;阜艳;;数字化医学影像技术的进展分析[J];中国医疗设备;2010年12期

本文编号：2629739