多层图稀疏非负矩阵分解及在宫颈癌前病变识别中的应用

发布时间：2021-12-23 06:45

　　宫颈癌是危害女性健康最常见的恶性肿瘤之一,我国宫颈癌发病率高居世界第二位.目前宫颈癌的诊断和筛查方法主要包括宫颈活检刮片、手术病理检查、电子计算机断层扫描、核磁共振和超声等.与其它方式相比,超声诊断具有安全、无创、快捷、重复性高和经济等特点.宫颈癌前病变筛查对于宫颈癌的诊疗至关重要,然而,大多数宫颈癌前病变患者的超声影像数据上没有明显的临床症状,因此对及时准确的诊断造成较大难度.针对此问题,基于重庆妇幼保健院提供的宫颈超声临床数据,本学位论文探讨了宫颈癌前病变智能识别及深层特征分析.主要工作如下:（1）为了挖掘宫颈超声数据的特征,构建一种多层图稀疏非负矩阵分解模型,并讨论其优化求解和收敛性.首先引入流形学习的思想,考虑实际数据本身存在的几何结构信息,在稀疏非负矩阵分解模型的基础上添加图正则项;为了进一步缓解随机初始值的影响以及挖掘更深层次的特征,又引入了深度学习中的深层表示和逐层预训练策略,构建了多层图稀疏非负矩阵分解模型,并对模型进行了优化求解和收敛性分析.（2）提出一种基于多层图稀疏非负矩阵分解模型的宫颈癌前病变智能识别方法.将宫颈病理数据与宫颈超声数据相结合,将临床金标准的病理诊... 

【文章来源】：河南大学河南省

【文章页数】：74 页

【学位级别】：硕士

【部分图文】：

不同宫颈诊断方法图示.图（a）宫颈CT图;（b）宫颈MRI图;（c）宫颈超声图;

第二章基本知识介绍7第二章基本知识介绍本章主要介绍一些特征学习方法和一些本文用到的分类器，本文提出新模型综合了多种特征学习方法的优点，因此对特征学习方法进行了重点的介绍.2.1特征学习方法随着医学信息建设的飞速发展和先进医学诊断设备的广泛应用，大量患者的临床医学数据得到了有效保存.然而对于多样的医学数据形式（如纯文本数据、医学影像数据、心脑电信号等）可能存在冗余信息，因此之所以进行特征学习方法来降维主要有两个原因，第一个原因是在原始的高维空间中，包含有冗余信息以及噪声信息，在实际应用例如医学超声图像的识别中造成误差，降低了准确率，因此减少冗余信息，提高识别率，第二个原因是我们希望通过降维方法来寻找数据内部的本质结构特征.因此希望通过特征表示学习探索数据中隐含的有用信息.本文主要利用非负矩阵分解的优点和流形学习的优点对宫颈超声图像进行多层特征学习.以下主要介绍了非负矩阵分解和局部线性嵌入两种特征学习方法.2.1.1非负矩阵分解非负矩阵分解[20]在许多方面取得了广泛应用，如：图像分析、文本聚类、数据挖掘、语音处理等.其主要原因是NMF的结果具有明确的实际意义.非负矩阵分解的基本思想:对于任意给定的一个非负矩阵，通过非负矩阵分解能够找到一个非负矩阵和一个非负矩阵.使其满足将一个非负矩阵分解为左右两个非负矩阵的乘积的形式.如图2-1所示：图2-1非负矩阵分解示意图.

第二章基本知识介绍9图2-2NMF在人脸识别中的应用.2.1.2局部线性嵌入局部线性嵌入（LocallyLinearEmbedding,LLE）[19]是Roweis和Saul2000年在Science上提出来的，其基本思想是将数据全局的非线性转化为局部线性结构，试图保持邻域间的线性关系.如图2-3所示:图2-3高维空间中的样本重构关系在低维空间中得以保持.假定样本点的坐标能通过它的邻域样本的坐标线性组合构成，即（2-4）LLE算法希望式（2-4）的关系在新的低维空间中得以保持，可以主要分为两个步骤：首先根据邻域关系计算出所有样本的邻域重构系数.为每一个样本点找到它的近邻下标集合[19]；在此基础上，计算出基于中的样本点对进行线性重构的系数.通过计算（2-5）式得到重构系数:（2-5）其中，均为已知，令，则有封闭解：（2-6）

【参考文献】：
期刊论文
[1]阴道超声诊断早期宫颈癌及癌前病变的应用价值[J]. 杨利平,李勤英,夏艳,齐高昂.  淮海医药. 2018(02)
[2]CT、MRI及超声在宫颈癌诊断中的应用进展[J]. 林凡入,罗娅红.  肿瘤影像学. 2017(03)
[3]超声诊断宫颈疾病的临床意义[J]. 谢传文.  中国当代医药. 2010(14)



本文编号：3547998