基于深度学习的肺炎检测方法研究

发布时间：2020-04-10 12:28

【摘要】：近年来空气污染程度逐渐严重,致使呼吸系统的常见病——肺炎,发病率增高。儿童是肺炎疾病的高发人群,2015年全世界有920000名儿童死于该病。肺炎的早期确诊有助于降低死亡率,但是在医学上通过胸片确诊肺炎是一项艰巨的任务,需要有临床经验的医生对胸片进行长时间的阅片观察,致使医疗资源匮乏的偏远地区肺炎早期确诊非常困难。近年来随着人工智能技术的逐渐成熟,深度学习在目标检测领域也逐渐发展起来。利用深度学习目标检测技术来解决医疗问题也是目前流行的趋势。现有的目标检测模型是基于自然图像数据集提出的,它可以使用大量的自然图像样本进行训练。然而对于肺炎图像的检测,数据样本明显不如自然图像样本丰富,并且医疗图像与自然图像截然不同,所以自然图像上的算法无法直接在肺炎图像上使用。针对这个问题,本文设计一种专门使用在肺炎数据上的深度学习目标检测方法。通过分析肺炎胸片数据的特点,对肺炎数据进行针对性的预处理。研究目前已有的目标检测算法,在目标检测的两个分支单阶段目标检测算法和双阶段目标检测算法上,分别对肺炎数据进行针对性设计,最后对两类算法进行模型融合得出最后的检测结果。单阶段模型,基于Retinanet的肺炎检测算法设计如下:第一,调整预测框尺寸以适应肺炎数据,保证肺炎数据得出有效的检测结果;第二,对不同骨干网络进行试验,更好的提取肺炎特征,并且使用迁移学习的思想进行参数初始化;第三,在网络的回归分支上进行修改,融合多维度的图像特征,提高肺炎检测性能;第四,在网络结构的C5层后增加全局损失函数,用于对全局图片信息进行提前的分类,更好的提取肺炎特征;第五,使用focal loss损失函数对检测样本进行分类,并调整内部参数适用肺炎数据,防止正负样本不平衡,提高肺炎检测性能。双阶段模型,基于Mask-RCNN的肺炎检测算法设计如下:第一,根据肺炎数据集的标注格式在Mask R-CNN上去掉分割的分支;第二,调整算法第一阶段预测框尺寸,保证肺炎数据得出有效的检测结果;第三,对不同骨干网络进行试验,更好的提取肺炎特征,并且使用迁移学习的思想进行参数初始化;第四,提出一种分阶段的训练方式,分阶段训练参数有助于模型算法精度的提升。最后将基于Mask R-CNN的肺炎检测算法与基于Retinanet的肺炎检测模型进行模型融合,使肺炎检测算法的精度得到提升,完成肺炎检测。使用以上深度学习目标检测技术对肺炎胸片图像进行分类和检测,有助于对大量的肺炎胸片进行初步的筛选与标记,提高医生的工作效率,对医疗资源匮乏地区提供医疗的帮助。
【图文】：

图 1-1 正常胸片图像Figure 1-1 Normal chest image时，，可以看到肺部具有成片的浑浊区该是黑色。出现这些灰色区域的时候个肺炎病人的 x 光肺部图片如图 1-2图 1-2 肺炎胸片图像

图 1-1 正常胸片图像Figure 1-1 Normal chest image时，可以看到肺部具有成片的浑浊区域该是黑色。出现这些灰色区域的时候，个肺炎病人的 x 光肺部图片如图 1-2
【学位授予单位】：北京工业大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP391.41;R563.1

【相似文献】

相关期刊论文 前10条

1 李美玲;;浅谈深度学习在目标检测中的发展[J];科技风;2017年24期

2 韩兴斌;颜坤玉;冯富强;;基于雷达高度表信号的低空目标检测技术[J];电子信息对抗技术;2015年03期

3 戴晓芳;;一种基于压缩感知的运动目标检测技术[J];电脑与电信;2019年05期

4 孙丕波;周利江;;动态目标检测技术在智能监控中的应用研究[J];制造业自动化;2011年05期

5 傅志中,李在铭;相控红外末制导高速目标检测技术[J];系统工程与电子技术;2002年02期

6 张国光;;基于自适应波束形成的水下微弱目标检测技术[J];舰船电子工程;2017年03期

7 刘翔;周桢;;基于分块背景建模的运动目标检测技术[J];液晶与显示;2011年06期

8 景晓军,李剑锋,张苏慧,杨义先;图像智能化的目标检测技术(Ⅲ)——优化聚类与特征提取[J];北京邮电大学学报;2003年S1期

9 白玉栋;;基于红外偏振成像的目标检测技术[J];红外;2013年03期

10 景晓军,李剑锋,张苏慧,杨义先;图像智能化的目标检测技术(Ⅰ)——目标-背景视觉模型[J];北京邮电大学学报;2003年S1期

相关会议论文 前10条

1 杨雪峰;沈旭奎;马亮;宋炭;陈登生;;应用于高速铁路的移动目标检测技术的算法研究[A];第八届中国智能交通年会优秀论文集——轨道交通[C];2013年

2 鲁新平;乌恩;张焱;李吉成;杨卫平;;基于背景差分的弱信号目标检测技术[A];第九届全国光电技术学术交流会论文集（下册）[C];2010年

3 王永森;刘宏哲;;3D目标检测技术的研究进展[A];中国计算机用户协会网络应用分会2019年第二十三届网络新技术与应用年会论文集[C];2019年

4 陈坚;李在铭;;场景监视中的运动目标检测技术[A];第十届全国信号处理学术年会（CCSP-2001）论文集[C];2001年

5 孙汉昌;武毅;高峰;邱少华;;基于分形理论和相关匹配的快速目标检测技术[A];第二届高分辨率对地观测学术年会论文集[C];2013年

6 邢相薇;赵俊保;朱莉珏;崔友群;;SAR图像运动船只目标检测技术探讨[A];第五届高分辨率对地观测学术年会论文集[C];2018年

7 王彩云;;目标检测的研究进展[A];中国计算机用户协会网络应用分会2019年第二十三届网络新技术与应用年会论文集[C];2019年

8 卢云龙;刘志刚;;高光谱成像技术及其在目标检测中的应用进展[A];国家安全地球物理丛书（九）——防灾减灾与国家安全[C];2013年

9 肖化超;张建华;王鹏;师勇;张超;;基于深度学习的遥感图像在轨目标检测技术研究[A];第五届高分辨率对地观测学术年会论文集[C];2018年

10 范启雄;李天河;杨威;;高光谱遥感目标探测研究进展与典型应用[A];国家安全地球物理丛书（八）——遥感地球物理与国家安全[C];2012年

相关重要报纸文章 前1条

1 本报特约记者 夏效生;博弈空天正当时[N];科技日报;2012年

相关博士学位论文 前3条

1 沈志熙;基于视觉导航的智能车辆在城区复杂场景中的目标检测技术研究[D];重庆大学;2008年

2 Ahmed Mahgoub Ahmed Talab(塔拉比);基于图像处理技术的目标识别方法及其在裂纹检测中的应用[D];武汉理工大学;2015年

3 鲜海滢;基于图像时空梯度的运动目标检测技术研究[D];电子科技大学;2009年

相关硕士学位论文 前10条

1 郝兵;基于深度学习的肺炎检测方法研究[D];北京工业大学;2019年

2 曹前;智能交通中的目标检测技术研究[D];华南理工大学;2019年

3 张振宇;导航雷达目标检测技术[D];哈尔滨工业大学;2019年

4 宣东东;基于高层语义的视觉显著性目标检测技术的研究[D];安徽工程大学;2019年

5 王鸣一;基于公安求助标识识别的看路系统研究与实现[D];中国矿业大学;2019年

6 周辉;基于合作靶标的目标检测方法研究与实现[D];华北电力大学(北京);2017年

7 明鹏;关于运动目标检测技术的研究[D];山东大学;2013年

8 刘博;基于深度学习的目标检测技术的研究[D];北京邮电大学;2016年

9 王书朋;基于偏振光谱成像的目标检测技术[D];长春理工大学;2017年

10 黄鹏;基于运动信息的运动目标检测技术[D];西安电子科技大学;2012年

本文编号：2622227