基于深度卷积神经网络的甲状腺乳头状癌超声图像识别的研究

发布时间：2020-05-12 02:57

【摘要】：目前,应用深度学习技术处理医学上的癌症问题已成为一种趋势。甲状腺乳头状癌是一种临床症状不典型、发病率高且不易诊断的常见疾病,常用的诊断方法是超声技术。其超声图像特征主要表现为边界不清、回声不均、形态不规则、结节内部有点状或微小钙化等,多以二维灰阶呈现,分辨率低,内部组织结构复杂,癌症特征不明显,难以分辨。而甲状腺乳头状癌超声检查的准确性与诊断者对超声图像的认知和理解有密切的联系,存在主观上的判断及误判。因此,如何对甲状腺乳头状癌进行准确快速的诊断显得非常重要。本文利用深度学习中的卷积神经网络来解决甲状腺乳头状癌超声图像的识别问题,为医生提供技术支持从而更快更准确的对甲状腺乳头状癌患者进行诊断。为此,提出了一种能够自动识别甲状腺乳头状癌的超声图像的方法。即对对象检测网络Faster RCNN进行改进得到一种适用于甲状腺乳头状癌超声图像特征识别的检测方法。主要内容如下:介绍深度卷积神经网络的研究历史与意义,并重点介绍其基本原理,包括它的结构、特点以及工作机制。针对利用人工识别甲状腺乳头状癌超声图像的诸多不确定性,本文采用深度卷积神经网络来提取特征。以基于区域检测的卷积神经网络为基础,结合Fast RCNN框架和RPN区域建议网络的优点,设计了甲状腺乳头状癌超声图像识别方案,并将该方案进行实验以及结果分析。还与基于Theano的Keras框架设计的甲状腺乳头状癌超声图像识别的方法进行对比分析,确定了本文设计的方案更好。最后将该方案与人工识别进行对比,结果表明,该方案取得的效果更好,更有利于分析患者的病情。针对第三章设计的甲状腺乳头状癌超声图像识别方案,其识别效果虽然优于人工,但是识别的准确率仍然不够,因此,通过对对象检测网络Faster RCNN进行改进提出了一种更适用于甲状腺乳头状癌超声图像特征识别的检测方法。第一,通过连接Faster RCNN网络中共享卷积层的第四层和第五层,再进行归一化;第二,在输入的时候采用多尺寸的超声图像;第三,根据甲状腺乳头状癌超声图像的几大主要特征进行分类,输出详细的超声图像诊断报告。实验结果表明,相比原始的Faster RCNN网络对甲状腺乳头状癌的超声图像特征识别,本文的方法识别精度更高,训练时间较短,且效率高。
【图文】：

示意图,示意图,图像信息,输出层

图 2-5 ReLU 与 Tanh 比较示意图[50]Fig.2-5 Comparison of ReLU and Tanh[50]络的输出层输出具有特征的图像信息，并需要对提

流程图,流程图,磁盘空间,目标检测

图 2-7 RCNN 流程图[53]Fig.2-7 RCNN flow chart[53]CNN 在进行目标检测时存在明显的几个问题：一，多个候选区域对应的图像需要预先提取，，占用磁盘空间较大；
【学位授予单位】：广东工业大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：R736.1;R445.1;TP391.41

【参考文献】