基于卷积神经网络的乳腺癌病理图像分类研究
发布时间：2021-10-01 23:07
卷积神经网络（Convolutional Neural Networks,CNN）模型具有非常出色的学习能力,它将图像数据直接输入,在无需人工对图像进行预处理和额外的特征抽取等复杂操作的同时以其特有的细粒度特征提取方式可以对图像进行细致的处理,与传统的机器学习算法相比,CNN在图像分类、图像分割和目标检测等研究领域取得了很好的成绩。近年来,CNN因其可以从医学图像中自动学习提取隐含的疾病诊断特征,使许多研究者将它应用于医学图像分析研究。乳腺癌组织病理图像本身比较复杂,具有广泛的异质性,当前使用的有关图像自动分类的方法对高分辨率图像处理具有局限性的不足使得最终的分类效果不理想,因此对细胞形态特征的准确评估仍然是一大难题。针对以上问题,本文设计了两种基于卷积神经网络的乳腺癌病理图像分类模型,主要研究内容如下:（1）为了使网络性能更加完美以及提高模型的特征提取能力,当前CNN向层数更深的方向发展,然而这一过程会导致参数数量增加、模型训练过程更加复杂,容易出现过拟合的风险。针对这一问题,本文设计了一种新的小型压缩-激励-残差（the Small Squeeze-and-Excitation R...
【文章来源】：西北师范大学甘肃省
【文章页数】：54 页
【学位级别】：硕士
【部分图文】：
SE-ResNet模块架构
西北师范大学硕士学位论文14型压缩-激励-残差模块(SmallSE-ResNet，SSER），它包括两个连续的1×3和3×1的卷积，在卷积之前带有批量正则化和ReLU：conv1×3-conv3×1-conv1×3-conv3×1-SEblock(图3-1.c)。在仅考虑卷积层参数的情况下，通过下面的公式来计算一个卷积层参数的总数量：()=×××(3-1)其中××表示卷积核的大小，K表示卷积核的数量。计算图3-1中所示的三个模型的参数数量如下所示：()=(64×3×3×64)×2=18×642(3-2)()=256×1×1×64+64×3×3×64+64×1×1×256=17×642(3-3)()=(64×1×3×64)×2+(64×3×1×64)×2=12×642(3-4)通过上面的计算可知，与basicSE-ResNet模块和bottleneckSE-ResNet模块相比，SSER模块的参数数量减少了约29.4%至33.3%。3.1.2乳腺癌组织病理学图像分类网络图3-2用于乳腺癌组织病理学图像良性和恶性分类的BHCNet-3架构本章设计了一种新的名为乳腺癌组织病理学图像分类网络(thebreastcancerhistopathologyimageclassificationnetworks,BHCNet)的CNN架构，使用小型SE-ResNet模块对乳腺癌组织病理学图像进行分类。BHCNet由一个普通卷积层，三个SE-ResNet块及一个全连接层构成，其中每个SE-ResNet块由N个小型SE-ResNet块堆叠，在本章表示为BHCNet-N，当N=3时，BHCNet架构如图3-2所示，BHCNet-3模型参数数量为198k，模型大小仅为2.1Mb。
西北师范大学硕士学位论文16图3-3不同的α和β下的高斯误差调度器曲线当学习率接近零时，CNN权重的更新由噪声主导，这可能会使后期训练中测试集的准确率出现波动或者下降，因此在后面的周期不能将学习率设置为0。在设置高斯误差调度器的参数时首先确保学习率不接近0，其次要求不需要非常仔细地微调。在本章中，将设置为步伐调度器的最小学习率，设置为最大学习率。高斯误差调度器可以很容易地与SGD和优化算法相结合，采用Nesterov动量SGD的高斯误差调度器算法如算法1所示.算法1带Nesterov动量SGD的高斯误差调度器输入：最大学习率lr，最小学习率，高斯误差调度器参数α和β,动量参数m。输入：初始CNN参数θ，初始向量v，初始周期E。1.fore=1toEdo2.从训练集中抽取一个有m个样例的小批次{(1),…,()},对应标签为y(i)。3.临时的更新：←+4.计算梯度（在临时点）：←1∑((();),())5.计算学习率：=+2(1(()+))6.计算向量更新：←7.参数更新：←+8.endfor3.2实验结果分析3.2.1在Cifar数据集上的性能分析（1）SSER模块性能分析
【参考文献】：
期刊论文
[1]样本迁移支持下的遥感影像自动分类方法[J]. 林聪,李二珠,杜培军. 测绘通报. 2018(04)
[2]医学图像分析深度学习方法研究与挑战[J]. 田娟秀,刘国才,谷珊珊,鞠忠建,刘劲光,顾冬冬. 自动化学报. 2018(03)
[3]基于跨连卷积神经网络的性别分类模型[J]. 张婷,李玉鑑,胡海鹤,张亚红. 自动化学报. 2016(06)
[4]语义关系相似度计算中的数据标准化方法比较[J]. 王正鹏,谢志鹏,邱培超. 计算机工程. 2012(10)
硕士论文
[1]基于稀疏编码的多特征视频异常事件检测[D]. 唐钟洋.广东工业大学 2019
[2]基于深度学习的人脸识别技术及其在智能小区中的应用[D]. 蓝振潘.华南理工大学 2017
[3]基于卷积神经网络的图像特征提取算法与图像分类问题研究[D]. 司宁博.兰州大学 2017
[4]基于卷积神经网络的大规模人脸聚类[D]. 申小敏.广东工业大学 2016
本文编号：3417513
【文章来源】：西北师范大学甘肃省
【文章页数】：54 页
【学位级别】：硕士
【部分图文】：
SE-ResNet模块架构
西北师范大学硕士学位论文14型压缩-激励-残差模块(SmallSE-ResNet，SSER），它包括两个连续的1×3和3×1的卷积，在卷积之前带有批量正则化和ReLU：conv1×3-conv3×1-conv1×3-conv3×1-SEblock(图3-1.c)。在仅考虑卷积层参数的情况下，通过下面的公式来计算一个卷积层参数的总数量：()=×××(3-1)其中××表示卷积核的大小，K表示卷积核的数量。计算图3-1中所示的三个模型的参数数量如下所示：()=(64×3×3×64)×2=18×642(3-2)()=256×1×1×64+64×3×3×64+64×1×1×256=17×642(3-3)()=(64×1×3×64)×2+(64×3×1×64)×2=12×642(3-4)通过上面的计算可知，与basicSE-ResNet模块和bottleneckSE-ResNet模块相比，SSER模块的参数数量减少了约29.4%至33.3%。3.1.2乳腺癌组织病理学图像分类网络图3-2用于乳腺癌组织病理学图像良性和恶性分类的BHCNet-3架构本章设计了一种新的名为乳腺癌组织病理学图像分类网络(thebreastcancerhistopathologyimageclassificationnetworks,BHCNet)的CNN架构，使用小型SE-ResNet模块对乳腺癌组织病理学图像进行分类。BHCNet由一个普通卷积层，三个SE-ResNet块及一个全连接层构成，其中每个SE-ResNet块由N个小型SE-ResNet块堆叠，在本章表示为BHCNet-N，当N=3时，BHCNet架构如图3-2所示，BHCNet-3模型参数数量为198k，模型大小仅为2.1Mb。
西北师范大学硕士学位论文16图3-3不同的α和β下的高斯误差调度器曲线当学习率接近零时，CNN权重的更新由噪声主导，这可能会使后期训练中测试集的准确率出现波动或者下降，因此在后面的周期不能将学习率设置为0。在设置高斯误差调度器的参数时首先确保学习率不接近0，其次要求不需要非常仔细地微调。在本章中，将设置为步伐调度器的最小学习率，设置为最大学习率。高斯误差调度器可以很容易地与SGD和优化算法相结合，采用Nesterov动量SGD的高斯误差调度器算法如算法1所示.算法1带Nesterov动量SGD的高斯误差调度器输入：最大学习率lr，最小学习率，高斯误差调度器参数α和β,动量参数m。输入：初始CNN参数θ，初始向量v，初始周期E。1.fore=1toEdo2.从训练集中抽取一个有m个样例的小批次{(1),…,()},对应标签为y(i)。3.临时的更新：←+4.计算梯度（在临时点）：←1∑((();),())5.计算学习率：=+2(1(()+))6.计算向量更新：←7.参数更新：←+8.endfor3.2实验结果分析3.2.1在Cifar数据集上的性能分析（1）SSER模块性能分析
【参考文献】：
期刊论文
[1]样本迁移支持下的遥感影像自动分类方法[J]. 林聪,李二珠,杜培军. 测绘通报. 2018(04)
[2]医学图像分析深度学习方法研究与挑战[J]. 田娟秀,刘国才,谷珊珊,鞠忠建,刘劲光,顾冬冬. 自动化学报. 2018(03)
[3]基于跨连卷积神经网络的性别分类模型[J]. 张婷,李玉鑑,胡海鹤,张亚红. 自动化学报. 2016(06)
[4]语义关系相似度计算中的数据标准化方法比较[J]. 王正鹏,谢志鹏,邱培超. 计算机工程. 2012(10)
硕士论文
[1]基于稀疏编码的多特征视频异常事件检测[D]. 唐钟洋.广东工业大学 2019
[2]基于深度学习的人脸识别技术及其在智能小区中的应用[D]. 蓝振潘.华南理工大学 2017
[3]基于卷积神经网络的图像特征提取算法与图像分类问题研究[D]. 司宁博.兰州大学 2017
[4]基于卷积神经网络的大规模人脸聚类[D]. 申小敏.广东工业大学 2016
本文编号：3417513
本文链接：https://www.wllwen.com/shoufeilunwen/mpalunwen/3417513.html
最近更新
教材专著
