深度学习算法的研究及其在医学影像诊断中的应用
发布时间：2022-01-24 23:10
医疗诊断水平影响着人民的生命健康生活。目前医疗数据量日益增大,但能否利用好这庞大的医疗数据为医疗事业做出贡献至关重要。临床医学影像是医疗大数据中极具代表性的一种,伴随着医学影像技术的发展,临床实际中产生了大量医学影像数据,与此同时,这些影像数据里存在着大量的无效信息和干扰因素。为了准确进行疾病诊断,必须要精确找出医学影像中的有效信息。与此同时,深度学习技术在解决诸如视觉识别、语音识别和自然语言处理等很多问题方面都表现出色。因此,本文主要基于深度学习技术去挖掘医学影像中的可用信息。本文首先对一些经典的机器学习相关算法进行了分析与研究,并重点介绍了BP神经网络模型、传统卷积神经网络模型和VGG模型。然后,对传统的医学图像诊断方法做了研究和总结,并从图像去噪,图像分割,特征提取,图像分类四个方面进行了介绍,并分析其缺陷与不足。最后,针对卵巢癌和新型冠状病毒肺炎两种临床医学影像,基于深度学习技术,建立了卵巢癌与新冠状性病毒肺炎的智能判别模型。通过对相关图像进行图像处理,包括图像去噪,灰度化处理,高斯滤波,图像放缩,然后再调整不同参数进行实验,建立起效果最好的诊断模型,从而实现对卵巢癌与新冠肺炎...
【文章来源】：长春工业大学吉林省
【文章页数】：42 页
【学位级别】：硕士
【部分图文】：
BP神经网络示意图
第3章计算机辅助下的医学图像诊断14图3-1典型医学图像对图像进行去噪后，图像的对比度和细节会因去噪以及其他因素的影响而降低和模糊，应对这种现象可以采用图像增强的方法，修补图像经过处理后的损失，以便于接下来对图像的处理中能够获得更多的有效信息。3.2图像分割分类的精确与否对医生做出诊断具有重要的影响，也是医学图像诊断中很重要的一个环节，因此学者们针对处理大型图像的任务开发除了许多图像分割的方法。Sun等在尝试提高对图像的分割速度方面提出了一种并行分割方法，该方法将SVM的特点与区域生长相结合，改善了分割结果使得下一步的分析更加便利[43]。Saad等基于阈值技术提出了一种能够分成若干区域的分割方法，对正常和病变区域进行比较，确定最佳阈值进行分割，方法是通过在计算每个区域的直方图得出每个强度级别的最大像素个数[44]。为了解决医学图像分割任务繁重的问题，学者们对其进行了深入研究，尝试结合不同的理论到其中，得到了许多更优质的图像自动分割方法，其中有模糊理论、先验知识、人工神经网络等。Christ等将模糊C-FCM运用到了医学图像分割任务中，得到了有效的分割结果[45]。Dong等引入了先验知识，让医学图像分割任务能够基于随机游走来进行[46]。邹瑜等改善了自组织映射（SOM）网络，该研究中将有限脉冲响应（FIR）引入到神经网络结构里的神经元中，解决了SOM的分割性能会随神经元数量增加而下降的问题，该方法通过FIR-SOM分割后采用了合并聚类的方法连接各联合聚类对象[47]。3.3特征提取神经网络在训练过程中提取的特征种类里包括几何特征、灰度特征、以及纹理特征，在图像处理中特征提取对训练结果有重要的影响[48,49]。几何特征描述了物体的形状，根据几何类型大致分为细长度、类圆
第4章深度学习算法在卵巢癌辅助诊断中的应用19问题。直接使用深度学习进行训练是不妥当的，因此，需要先对图像进行图像预处理，从而提高图像分类准确率，加快训练速度。4.2.1图像切割经过数据清洗之后，图像数据上仍然携带有大量无关肿瘤的信息，图像顶部还会显示彩超机器信息，这些因素会影响模型分类效果，因此，需要再对图像进行切割。每一张图片，均将其四周干扰信息的部分切割掉，留下中间包含有效信息的部分。对于当前正待处理的图片，其顶端与底端所切割大小，所使用计算公式为：=′′×(4-1)=′′×(4-2)其中,分别为顶端切割长度，底端切割长度，为当前图像高度，′,′为一标准图片中所切割的顶端长度与底端长度，′为此标准图像高度。其左端与右端所切割大小，所使用计算公式为：=′′×(4-2)=′′×(4-3)其中,分别为左端切割长度，右端切割长度，为当前图像宽度，′,′为一标准图片中所切割的左端长度与右端长度，′为此标准图像宽度。使用此公式，可以根据当前图像尺寸大小，自适应的裁剪掉相应部位，图像切割效果如下图所示。a）图像切割前b）图像切割后图4-1图像切割效果示意图对图像进行切割，可以有效的降低图像尺寸，从而减少了深度学习模型训练的所
【参考文献】：
期刊论文
[1]计算机辅助系统在诊断乳腺良恶性肿瘤中的应用[J]. 吴秀明,王霞丽,吕国荣,魏梦婉,杜永兆,柳培忠. 中国医学物理学杂志. 2020(03)
[2]妇科肿瘤的防治现状与面临的挑战[J]. 谢幸,沈源明. 中国实用妇科与产科杂志. 2020(01)
[3]中国癌症的现状与疾病负担[J]. 王伟进,张晓路. 中国经济报告. 2019(04)
[4]基于改进的SOM神经网络的医学图像分割算法[J]. 邹瑜,帅仁俊. 计算机工程与设计. 2016(09)
[5]基于几何特征的孤立性肺结节检测[J]. 陈树越,晁亚,邹凌. 生物医学工程学杂志. 2016(04)
[6]基于多模态3D-CNNs特征提取的MRI脑肿瘤分割方法[J]. 罗蔓,黄靖,杨丰. 科学技术与工程. 2014(31)
[7]对妇科肿瘤治疗的再认识[J]. 魏丽惠. 中国妇产科临床杂志. 2010(06)
硕士论文
[1]深度学习在图像识别中的研究及应用[D]. 李卫.武汉理工大学 2014
[2]低剂量CT孤立肺结节检测方法研究[D]. 郭浩.西安电子科技大学 2010
本文编号：3607470
【文章来源】：长春工业大学吉林省
【文章页数】：42 页
【学位级别】：硕士
【部分图文】：
BP神经网络示意图
第3章计算机辅助下的医学图像诊断14图3-1典型医学图像对图像进行去噪后，图像的对比度和细节会因去噪以及其他因素的影响而降低和模糊，应对这种现象可以采用图像增强的方法，修补图像经过处理后的损失，以便于接下来对图像的处理中能够获得更多的有效信息。3.2图像分割分类的精确与否对医生做出诊断具有重要的影响，也是医学图像诊断中很重要的一个环节，因此学者们针对处理大型图像的任务开发除了许多图像分割的方法。Sun等在尝试提高对图像的分割速度方面提出了一种并行分割方法，该方法将SVM的特点与区域生长相结合，改善了分割结果使得下一步的分析更加便利[43]。Saad等基于阈值技术提出了一种能够分成若干区域的分割方法，对正常和病变区域进行比较，确定最佳阈值进行分割，方法是通过在计算每个区域的直方图得出每个强度级别的最大像素个数[44]。为了解决医学图像分割任务繁重的问题，学者们对其进行了深入研究，尝试结合不同的理论到其中，得到了许多更优质的图像自动分割方法，其中有模糊理论、先验知识、人工神经网络等。Christ等将模糊C-FCM运用到了医学图像分割任务中，得到了有效的分割结果[45]。Dong等引入了先验知识，让医学图像分割任务能够基于随机游走来进行[46]。邹瑜等改善了自组织映射（SOM）网络，该研究中将有限脉冲响应（FIR）引入到神经网络结构里的神经元中，解决了SOM的分割性能会随神经元数量增加而下降的问题，该方法通过FIR-SOM分割后采用了合并聚类的方法连接各联合聚类对象[47]。3.3特征提取神经网络在训练过程中提取的特征种类里包括几何特征、灰度特征、以及纹理特征，在图像处理中特征提取对训练结果有重要的影响[48,49]。几何特征描述了物体的形状，根据几何类型大致分为细长度、类圆
第4章深度学习算法在卵巢癌辅助诊断中的应用19问题。直接使用深度学习进行训练是不妥当的，因此，需要先对图像进行图像预处理，从而提高图像分类准确率，加快训练速度。4.2.1图像切割经过数据清洗之后，图像数据上仍然携带有大量无关肿瘤的信息，图像顶部还会显示彩超机器信息，这些因素会影响模型分类效果，因此，需要再对图像进行切割。每一张图片，均将其四周干扰信息的部分切割掉，留下中间包含有效信息的部分。对于当前正待处理的图片，其顶端与底端所切割大小，所使用计算公式为：=′′×(4-1)=′′×(4-2)其中,分别为顶端切割长度，底端切割长度，为当前图像高度，′,′为一标准图片中所切割的顶端长度与底端长度，′为此标准图像高度。其左端与右端所切割大小，所使用计算公式为：=′′×(4-2)=′′×(4-3)其中,分别为左端切割长度，右端切割长度，为当前图像宽度，′,′为一标准图片中所切割的左端长度与右端长度，′为此标准图像宽度。使用此公式，可以根据当前图像尺寸大小，自适应的裁剪掉相应部位，图像切割效果如下图所示。a）图像切割前b）图像切割后图4-1图像切割效果示意图对图像进行切割，可以有效的降低图像尺寸，从而减少了深度学习模型训练的所
【参考文献】：
期刊论文
[1]计算机辅助系统在诊断乳腺良恶性肿瘤中的应用[J]. 吴秀明,王霞丽,吕国荣,魏梦婉,杜永兆,柳培忠. 中国医学物理学杂志. 2020(03)
[2]妇科肿瘤的防治现状与面临的挑战[J]. 谢幸,沈源明. 中国实用妇科与产科杂志. 2020(01)
[3]中国癌症的现状与疾病负担[J]. 王伟进,张晓路. 中国经济报告. 2019(04)
[4]基于改进的SOM神经网络的医学图像分割算法[J]. 邹瑜,帅仁俊. 计算机工程与设计. 2016(09)
[5]基于几何特征的孤立性肺结节检测[J]. 陈树越,晁亚,邹凌. 生物医学工程学杂志. 2016(04)
[6]基于多模态3D-CNNs特征提取的MRI脑肿瘤分割方法[J]. 罗蔓,黄靖,杨丰. 科学技术与工程. 2014(31)
[7]对妇科肿瘤治疗的再认识[J]. 魏丽惠. 中国妇产科临床杂志. 2010(06)
硕士论文
[1]深度学习在图像识别中的研究及应用[D]. 李卫.武汉理工大学 2014
[2]低剂量CT孤立肺结节检测方法研究[D]. 郭浩.西安电子科技大学 2010
本文编号：3607470
本文链接：https://www.wllwen.com/shoufeilunwen/xixikjs/3607470.html
