基于改进的SSD肺炎检测识别研究

发布时间：2020-07-03 03:15

【摘要】：肺炎是胸部常见疾病,其治疗在很大程度上依赖于医生对胸部影像的准确解读。但是即使是最好的放射科医师也很容易误诊,因为要基于胸部影像鉴别诊断多种疾病是一件非常棘手的问题。为了能够辅助医师准确的解读胸部影像的信息,国内外学者利用计算机图像识别技术对该领域进行了深入的研究。目前,对胸部影像识别检测效果最好的方法是基于深度学习的肺炎识别。针对肺炎检测识别的难题,本文提出了一种基于SSD(Single Shot MultiBox Detector,单网络多盒检测器)肺炎检测模型的改进方案。首先,通过对数据集的分析发现胸部X射线影像中存在约10%的小发病区域。为了让SSD网络模型检测到这些小的发病区域,本文将原始SSD网络模型的第三网络层的最后一个卷积层的输出结果通过池化方法降维后再使用1×1卷积对其进行卷积运算,然后将卷积运算结果与SSD网络的第六特征层的输入特征进行融合。此外,本文还将SSD网络模型的第五池化层的输出结果通过反池化、反卷积技术将其输出结果进行卷积运算后再与SSD网络模型的第七特征层进行特征融合。通过使用这两种融合方案,使得SSD目标检测网络能够对肺炎疾病影像中的小目标进行检测。然后,本文针对改进后的网络模型经过实验分析选择了正确的优化方案,使得网络模型能够更快的达到收敛效果并提高检测的准确率。最后,为了检验改进后的SSD网络模型对肺炎的检测识别性能,本文使用肺炎疾病影像数据集分别在Faster RCNN、Yolo、原始SSD网络模型和改进后的SSD网络模型上进行了实验。通过对实验结果分析发现,改进后的SSD模型对肺炎疾病的检测准确率为89.32%,大于原始SSD网络模型的检测准确率76.1%。同时,改进后的检测准确率也大于Faster RCNN与Yolo方法的准确性。从实验结果中得出:(1)改进后的SSD网络模型对肺炎疾病检测的有效性与可行性。(2)本文改进的SSD模型能够对肺炎疾病检测有一定的指导意义。(3)医学领域的研究人员可以使用本文改进的SSD网络模型协助克服人类的认知和偏倚的内在局限性,并降低误诊率。
【学位授予单位】：辽宁科技大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：R563.1;TP391.41
【图文】：

激活函数,神经元,神经元模型

图 2.1 M-P 神经元模型Fig. 2.1 M-P neuron model943 年，McCulloch 和 Pitts 将以上的描述抽象为图 2.1 所示的一该模型就是最经典的而且沿用至今的 M-P 神经元模型。一般情况下收来自n个其他神经元传递过来的输入信号 x，然后给这些信号加于说明哪些信号最为重要，最后将这些带有权值的信号向后进行传的信号传播到最后的几个神经元，这些神经元将接收到的总输入值元的阈值进行比较，然后通过“激活函数”(activation functio计算产生神经元的输出1ni iiy f w x 。

函数图形,函数图形

函数求导容易。函数的缺点：具有软饱和特性，很容易出现梯度消失的情况，最终导致是以 0 为中心的。数与 sigmoid 函数很相似，与 sigmoid 函数相比，其数据将更高，收敛的速度会更快。其定义如下：( )2211xxetanh xe +与 sigmoid 函数的关系如公式（2.3）所示。tanh ( x ) 2 sigmoid ( 2 x ) 1函数的输出值介于 1 , 1 的图像如图 2.4 所示。

【参考文献】