生成式对抗网络对提高妇科显微图像检测准确率的研究

发布时间：2021-12-09 17:12

　　妇科常规检查是妇科检查中应用最广泛的一项项目,是不同类别阴道炎的诊断方法。目前医院中多是使用人工镜检的方式进行妇科常规检查,方法是将浸有白带的生理盐水涂在载玻片上,再将载玻片置于显微镜下,依靠检验科医生的专业知识和工作经验,观察数十个视野,对样本进行判断,并给出诊断结果。全部依靠人工完成的镜检方式存在一些不可避免的问题,即大量重复性工作带来的疲惫和长时间进行显微镜观察导致的晕镜。这些问题造成检验医生工作效率降低、判断准确率下降。若医生本身工作经验不足,则妇科常规检查的准确率更是无法得到保障,容易出现漏检的情况。为解决这一问题,实验室对妇科常规检查的自动化进行研究,研究包括仪器设备、扫描流程、软件界面、聚焦算法、图像检测等几个部分。本文主要对图像检测算法方面进行研究。本文首先使用光学显微镜从医院采集妇科显微图像、建立图像数据集。图像上目标的分类是与医生讨论确定,并由专家进行数据标注以确保标注的可靠性。然后,对于采集的图像数据集,本文使用卷积神经网络（Convolutional Neural Network,CNN）进行检测。CNN在计算机视觉上达到了突破性的成果,在各领域的应用也越来越广... 

【文章来源】：华东师范大学上海市 211工程院校 985工程院校 教育部直属院校

【文章页数】：66 页

【学位级别】：硕士

【部分图文】：

AlexNet网络结构

华东师范大学硕士学位论文 主要包括输入层、卷积层、激活函数。接下来对这些层进行介绍。像进行处理，比如尺寸修改、图像增翻转等方法增加图像数量。归一化练使用的数据集和将来实际使用的数布不同，而网络学习的是当前训练数的性能会降低。为了解决这一问题，适应从不同光照条件、检验环境拍不同带来的影响，有效提高网络的果。

参数的方式减少了参数量和计算量。卷积层是 CNN 最重要的结构，也是 字中卷积一词的由来，卷积层使用卷积核对输入图像或输入特征图进行卷，从而提取图像的特征。卷积层示例如图 2-3，首先将输入特征图进行 pad作，即对特征图的边界进行扩展，如示例中 padding 为 1，则扩展一个像素成 padding 后，对特征图进行卷积，如示例中使用的是 3×3 的卷积核，strid示卷积核在特征图上的滑动步距为 1。卷积得到的特征图即为卷积层的征图，输出特征图的长宽计算公式如下： = 2 × 1 (其中， 表示输出特征图的长宽， 表示输入特征图的长宽， 表核的长宽。当输入图像为 1024×1024×3、输出特征图包含 1024 层，且卷小与图 2-3 一致时，卷积层共有 3×3×3×1024+1024=28672 个参数，参数远小于全连接层，减少了计算量，提高了网络的运算速度。

【参考文献】：
硕士论文
[1]白带有形成份中霉菌自动识别算法技术的研究[D]. 陆宋晗.电子科技大学 2018
[2]白带显微图像中白细胞自动识别算法技术的研究[D]. 钟亚.电子科技大学 2018
[3]基于深度学习的目标跟踪研究及在白带识别中的应用[D]. 张建飞.重庆理工大学 2018
[4]白带显微图像中霉菌自动识别及清洁度判定的研究[D]. 郝如茜.电子科技大学 2017



本文编号：3530990