卷积神经网络与迁移学习的颅脑癌症识别方法的研究
发布时间:2021-08-13 18:56
目的探讨深度卷积神经网络(Convolutional Neural Network,CNN)联合迁移学习(Transfer Learning,TL)辅助识别诊断颅脑癌症的方法。方法介绍了深度CNN、TL基本原理,建立深度CNN联合TL模型,使用FCNN、CNN、AlexNet、VGGNet、GoogLeNet、AlexNet-TL、VGGNet-TL以及GoogLeNet-TL模型对我院颅脑CT图像进行分类,并使用灵敏度、特异性以及准确率为评价指标对不同方法性能进行评定。结果随机初始化网络参数的FCNN、CNN、AlexNet、VGGNet以及GoogleNet模型脑肿瘤模式识别准确率分别为70.2%、76.5%、82.7%、80.9%以及82.5%,而通过利用开源的大数据集ImageNet预训练深度CNN,优化模型参数的AlexNet-TL、VGGNet-TL、GoogleNet-TL脑肿瘤模式识别准确率分别为86.9%、90.2%以及93.4%。结论深度CNN联合TL模型可实现对颅脑癌症的智能识别和分类,有助于减少医生工作强度,基于深度CNN联合TL模型的颅脑癌症辅助诊断识别方法有...
【文章来源】:中国医疗设备. 2020,35(09)
【文章页数】:5 页
【部分图文】:
卷积神经网络结构图
对CNN而言,通过卷积核不断的对图像进行卷积运算,逐层对图像特征进行学习和提取,并将低层图像特征通过不断卷积核池化转变成高层表达,随着CNN卷积层数的增加,会导致图像特征过度学习、过度拟合现象的产生。因此,本文使用Caffe框架搭建CNN,使用Image Net图像大数据集对网络进行预训练,训练过程中可以将预训练模型当做特征提取装置来使用,具体的做法是,将输出层去掉,然后将剩下的整个网络当做一个固定的特征提取机,从而应用到新的数据集中。使用Image Net预训练的模型可从Caffe Model Zoo网站下载、修改和使用。接着,基于不同的数据集进行训练、验证和测试。这是一个微调的过程。最后,我们将网络参数设置为迭代次数104,动量因子为0.9,衰减参数为0.0005,初始的学习率为0.001,其它参数保持不变。得到CNN网络参数和权重后将模型迁移至我院采集的脑肿瘤CT序列图像数据训练集进行进一步训练,并及时修正模型权重和偏执值。最后使用训练后的模型对脑肿瘤CT序列图像数据测试集进行测试。模型搭建过程见图2所示。2 实验设计与结果
本文使用Caffe框架,Tesla V00 GPU上训练,训练时间约为5 h,实验结果如图3和图4所示。结果显示,在不使用TL的情况下,Alex Net-TL模型、VGGNet-TL模型、Google Net-TL模型在灵敏度、特异性以及准确率上均显著高于随机初始化网络参数的FCNN模型、CNN模型、Alex Net模型、VGGNet模型以及Google Net模型。在数据集Image Net训练后的Goole Net-TL模型颅脑癌症识别准确率达93.4%,Alex Net-TL以及VGGNet-TL模型识别准确率为86.9%和90.2%;未使用TL的FCNN模型、CNN模型、Alex Net模型、VGGNet模型以及Google Net模型模式识别率分别为70.2%、76.5%、82.7%、80.9%以及82.5%。Google Net-TL网络训练损失曲线以及验证曲线,见图4。横坐标为Google Net-TL模型的训练迭代次数,主纵坐标为训练过程中损失值,次纵坐标为验证过程中的准确率,当Google Net-TL模型迭代4100后训练Loss收敛,训练过程中的颅脑验证集验证准确率达96.5%。
【参考文献】:
期刊论文
[1]基于深度迁移学习的肺结节辅助诊断方法[J]. 张驰名,王庆凤,刘志勤,黄俊,周莹,刘启榆,徐卫云. 计算机工程. 2020(01)
[2]深度学习算法在脑电信号解码中的应用[J]. 韦梦莹,李琳玲,黄淦,唐翡,张治国. 中国生物医学工程学报. 2019(04)
[3]基于ResNet深度网络的人类蛋白质图谱图像分类方法研究[J]. 常川. 医学信息学杂志. 2019(07)
[4]深度迁移学习辅助的阿尔兹海默氏症早期诊断[J]. 金祝新,秦飞巍,方美娥. 计算机应用与软件. 2019(05)
[5]深度学习在医学超声图像分析中的应用综述[J]. 刘盛锋,王毅,杨鑫,雷柏英,刘立,李享,倪东,汪天富. Engineering. 2019(02)
博士论文
[1]基于医学高光谱影像分析的肿瘤组织分类方法研究[D]. 杜剑.中国科学院大学(中国科学院西安光学精密机械研究所) 2018
[2]卷积神经网络和迁移学习在癌症影像分析中的研究[D]. 余绍德.中国科学院大学(中国科学院深圳先进技术研究院) 2018
[3]面向医学文献的图像模式识别关键技术研究[D]. 于玉海.大连理工大学 2018
硕士论文
[1]基于卷积神经网络的医学图像分类方法研究[D]. 史亮亮.河北科技大学 2019
[2]基于深度学习的医学影像分析与标注[D]. 冉静.北京邮电大学 2019
[3]基于迁移学习和卷积神经网络的肺结节检测方法研究[D]. 赵玥.东北财经大学 2018
[4]基于深度学习的MR图像肝脏肿瘤自动化分割方法的研究[D]. 黄赛.南京大学 2018
[5]基于卷积神经网络和迁移学习的医学影像辅助诊断研究[D]. 顾久驭.山东大学 2018
本文编号:3340964
【文章来源】:中国医疗设备. 2020,35(09)
【文章页数】:5 页
【部分图文】:
卷积神经网络结构图
对CNN而言,通过卷积核不断的对图像进行卷积运算,逐层对图像特征进行学习和提取,并将低层图像特征通过不断卷积核池化转变成高层表达,随着CNN卷积层数的增加,会导致图像特征过度学习、过度拟合现象的产生。因此,本文使用Caffe框架搭建CNN,使用Image Net图像大数据集对网络进行预训练,训练过程中可以将预训练模型当做特征提取装置来使用,具体的做法是,将输出层去掉,然后将剩下的整个网络当做一个固定的特征提取机,从而应用到新的数据集中。使用Image Net预训练的模型可从Caffe Model Zoo网站下载、修改和使用。接着,基于不同的数据集进行训练、验证和测试。这是一个微调的过程。最后,我们将网络参数设置为迭代次数104,动量因子为0.9,衰减参数为0.0005,初始的学习率为0.001,其它参数保持不变。得到CNN网络参数和权重后将模型迁移至我院采集的脑肿瘤CT序列图像数据训练集进行进一步训练,并及时修正模型权重和偏执值。最后使用训练后的模型对脑肿瘤CT序列图像数据测试集进行测试。模型搭建过程见图2所示。2 实验设计与结果
本文使用Caffe框架,Tesla V00 GPU上训练,训练时间约为5 h,实验结果如图3和图4所示。结果显示,在不使用TL的情况下,Alex Net-TL模型、VGGNet-TL模型、Google Net-TL模型在灵敏度、特异性以及准确率上均显著高于随机初始化网络参数的FCNN模型、CNN模型、Alex Net模型、VGGNet模型以及Google Net模型。在数据集Image Net训练后的Goole Net-TL模型颅脑癌症识别准确率达93.4%,Alex Net-TL以及VGGNet-TL模型识别准确率为86.9%和90.2%;未使用TL的FCNN模型、CNN模型、Alex Net模型、VGGNet模型以及Google Net模型模式识别率分别为70.2%、76.5%、82.7%、80.9%以及82.5%。Google Net-TL网络训练损失曲线以及验证曲线,见图4。横坐标为Google Net-TL模型的训练迭代次数,主纵坐标为训练过程中损失值,次纵坐标为验证过程中的准确率,当Google Net-TL模型迭代4100后训练Loss收敛,训练过程中的颅脑验证集验证准确率达96.5%。
【参考文献】:
期刊论文
[1]基于深度迁移学习的肺结节辅助诊断方法[J]. 张驰名,王庆凤,刘志勤,黄俊,周莹,刘启榆,徐卫云. 计算机工程. 2020(01)
[2]深度学习算法在脑电信号解码中的应用[J]. 韦梦莹,李琳玲,黄淦,唐翡,张治国. 中国生物医学工程学报. 2019(04)
[3]基于ResNet深度网络的人类蛋白质图谱图像分类方法研究[J]. 常川. 医学信息学杂志. 2019(07)
[4]深度迁移学习辅助的阿尔兹海默氏症早期诊断[J]. 金祝新,秦飞巍,方美娥. 计算机应用与软件. 2019(05)
[5]深度学习在医学超声图像分析中的应用综述[J]. 刘盛锋,王毅,杨鑫,雷柏英,刘立,李享,倪东,汪天富. Engineering. 2019(02)
博士论文
[1]基于医学高光谱影像分析的肿瘤组织分类方法研究[D]. 杜剑.中国科学院大学(中国科学院西安光学精密机械研究所) 2018
[2]卷积神经网络和迁移学习在癌症影像分析中的研究[D]. 余绍德.中国科学院大学(中国科学院深圳先进技术研究院) 2018
[3]面向医学文献的图像模式识别关键技术研究[D]. 于玉海.大连理工大学 2018
硕士论文
[1]基于卷积神经网络的医学图像分类方法研究[D]. 史亮亮.河北科技大学 2019
[2]基于深度学习的医学影像分析与标注[D]. 冉静.北京邮电大学 2019
[3]基于迁移学习和卷积神经网络的肺结节检测方法研究[D]. 赵玥.东北财经大学 2018
[4]基于深度学习的MR图像肝脏肿瘤自动化分割方法的研究[D]. 黄赛.南京大学 2018
[5]基于卷积神经网络和迁移学习的医学影像辅助诊断研究[D]. 顾久驭.山东大学 2018
本文编号:3340964
本文链接:https://www.wllwen.com/yixuelunwen/shenjingyixue/3340964.html
最近更新
教材专著