基于集成深度学习的医学图像诊断算法研究

发布时间：2020-08-06 11:21

【摘要】：21世纪,癌症依然是困扰着人们生活的一个严重问题。根据美国癌症组织的调查报告,每年全世界将近180万的新肺癌病例,以及160万的肺癌致死人数。CT图像是最常用的并且鲁棒的成像技术之一,用于肿瘤的检测、诊断和后续治疗。通过基于X射线的吸收来可视化人体组织。放射科医生可以根据肿瘤的密度和形态来评估其恶性程度,但是预测的可靠性高度依赖于医生的经验,并且不同的放射科医生可能做出不同的诊断。由于肿瘤之间复杂的关系,它的出现并不一定意味着癌症的发生。在一些复杂的情况下,即使是有经验的放射科医师也很难达成共识。因此,开发基于CT图像的自动诊断系统来辅助医生进行肺癌的判断有着很大的必要。基于计算机视觉的模型可以在同一水平快速检查肺部CT图像,而且它们不受物理条件和精神状态的影响。计算机辅助诊断(computer aided diagnosis,CAD)系统指的是利用成像技术、图像分析方法配合大量的生物医学技术,建立起稳定可靠的机器学习模型,然后通过计算机的分析计算,辅助专业医师判断病人情况,以此改善机器模型的诊断结果。人工神经网络是医学图像分类中最常用的机器学习模型之一,它通过模仿人的大脑神经元的工作机制,完成对信号的高度非线性处理。并且它具有自主改善、记忆、预测情况等多种优秀的性质,所以能够达到辅助医生诊断的效果。针对医学图像分类以及癌症诊断任务,基于人工神经网络的机器学习模型比传统的方法(例如概率统计)表现出了更加优秀和稳定的性能。近些年,基于深度学习的图像分类算法在各方面取得了引人注目的突破,这得益于开放的大规模注释数据集(例如ImageNet)以及蓬勃发展的深度卷积神经网络(deep convolutional neural network,deep CNN)。对于数据驱动的学习算法来说,具有数据分布特征的注释良好的大规模数据集对训练更精确或者泛化的更好的模型至关重要。然而,由于数据采集困难,质量标注昂贵,目前没有像ImageNet那样大规模的注释好的医学图像数据集。因此用于医学图像分类的机器学习模型更容易陷入过拟合问题,即网络能够在训练样本上拟合的非常好,但是它对于新的病例样本的诊断表现非常差。本论文围绕上述问题提出了相应的研究手段和解决办法,并通过大量的实验完成了对CAD系统中的关键算法的效果的验证。通过大规模集成合适的不同结构的deep CNN模型能够用于完成对CT图像的诊断,实践证明,集成后的网络模型通过投票机制能够表现出更加优秀的诊断能力。最后在两个公共医学图像数据库上面验证并对比了算法的性能,并对实验结果进行了充分的分析。
【学位授予单位】：山东大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：R730.44;TP391.41
【图文】：

计算能力,带标签,学习技术,硕士学位论文

逦山东大学硕士学位论文逦逡逑数据和计算能力。缺乏计算能力会导致需要大量的时间来训练网络，这取决于所逡逑使用的训练数据规模的大小。其次，大多数的深度学习技术，如卷积神经网络需逡逑要带标签的数据完成有监督的学习，而且缺乏专业知识导致人们很难完成对医学逡逑图像的手动标注。由于可用的计算能力越来越多、改进的数据存储设备存储量越逡逑来越大，更加高级的深层网络的体系结构被开发和完善以克服过去存在的问题。逡逑

计算能力,带标签,学习技术,硕士学位论文

示意图,网络结构,示意图,卷积

－５的分类准确率被分别提高了邋１．４％和１．２％。逡逑ｔｏｎ等人［６３］认为ＬＲＮ层的设计是学习生物的神经系统中的侧抑制元的局部行为建立竞争行为，以此改善模型的泛化能力和实际出ＶＧＧ网络的论文中，作者通过实验正式了邋ＬＲＮ层在ＣＮＮ中仅带来了计算量的提高。逡逑ＧＮｅｔ逡逑ＧＮｅｔ是于２０１４年被牛津大学计算机视觉实验室和Ｄｅｅｐ邋Ｍｉｎｄ小ｄｅｅｐ邋ＣＮＮ网络模型。ＶＧＧＮｅｔ统计六种结构，包含各种不同层小的网络，如图２－４所示。由Ａ到Ｅ的每种网络结构中都包含每个卷积层都设置３ｘ３大小的卷积核，操作方法如图２－５所示。ａｘ－ｐｏｏｌｉｎｇ层被用在卷积层后面进行特征图的降维，最后连接三分类结果。在训练复杂的神经网络之前，需要首先训练简单的网的权重去初始化复杂网络并进一步训练。逡逑ＣｃｍｖＮｅｔ邋Ｃｏｎｆｉｇｕｒａｔｉｏｎ逦ｊ逡逑Ａ逦Ｉ逦Ａ－ＬｆｅＫ４逦Ｉｂ＂邋ｔＷＫ逦１逡逑

【相似文献】