基于委员会查询和自步多样性学习的医学图像分割
发布时间：2021-08-28 19:57
目前,深度学习特别是卷积神经网络已经成功应用到了自然图像和医学图像分割任务中。深度卷积神经网络可以自动地从图像中提取特征,且自动提取的特征可以更好地应用到相关任务中。训练基于卷积神经网络的图像分割模型往往需要大量的训练数据,但在医学图像分割任务中,拥有像素级标记的训练数据非常少,从而制约了卷积神经网络在医学图像分割任务上的应用。为了充分发挥卷积神经网络在图像分割任务中的优势,本文提出了基于委员会查询（Query-by-committee）的自步多样性学习（Self-paced Learning with Diversity）算法。该算法可以通过选择从简单到复杂的数据训练卷积神经网络模型,提升基于卷积神经网络的医学图像分割模型的性能。本文提出的自步多样性学习算法模拟学生学习的过程,即由易到难的学习知识,充分利用有限的标注数据,在保证知识多样性的同时,提升算法的准确性。本文的工作主要包括以下方面:（1）本文提出了基于委员会查询的自步多样性学习算法框架。该框架使用委员会查询算法实现了训练数据的选择,并按照由易到难的顺序将训练数据输入到模型中,提升模型的性能。同时,该框架使用仿射传播的聚类算法...
【文章来源】：西北大学陕西省 211工程院校
【文章页数】：63 页
【学位级别】：硕士
【部分图文】：
论文的组织框架
西北大学硕士学位论文12习方法，并且是大数据驱动的方法，在一定范围内数据量越大，且数据之间的差异性越大，深度学习模型可以取得更好的模型性能。这其中暗示了深度学习算法需要大量的训练数据，而标记这些数据是耗时耗力、且乏味枯燥的。因此，如果能将主动学习算法嵌入到深度学习模型之中，则可以大大减少数据标记的时间、经济成本，并在有限的时间内完成深度学习模型的搭建。2.2.1主动学习框架主动学习算法遵循的框架如图2所示。图2主动学习算法流程图在图2中，说明了主动学习经典的算法流程。通常情况下，主动学习通常包含一个Oracle、一个机器学习模型以及带有标记的训练数据集和不带有标记的训练数据集。一个完整的主动学习流程为，使用目前带有标记的数据训练机器学习模型；将模型中的参数进行优化之后使用一定的数据查询策略，在不含有标记的训练数据中挑选对模型训练作用最大的数据进行查询请求；Oracle接收到数据的查询请求之后，对需要标注的数据进行人工标记，并将标记好的数据添加到带有标记的数据集中。主动学习算法如图2进行多次迭代，直到模型收敛或不含有标记的数据全部被标记之后停止循
第二章自步多样性相关理论与算法17模型中已经提取的特征进行了保存，防止了特征丢失。U-Net网络在医学图像分割，如细胞分割、细胞壁分割、视网膜血管分割、胸部器官分割等医学问题上取得了强大的性能。U-Net最初被提出时是应用在2D图像上的分割模型，随后经过改进，应用到了3D的医学图像中。通常情况下，3D的U-Net[39]也被称为V-Net[40]，使用3D卷积实现对3D医学图像的分割任务。传统的U-Net网络结构如图3所示。图3U-Net示意图[38]在图3中，U-Net网络中包含一个含有最大池化层的下采样编码器和一个含有上采样层的解码器。编码器中特征图的个数随着网络的加深逐渐增加，而特征图的大小随着网络的加深逐渐减小；在解码器中，特征图的个数和大小变化情况与编码器相反。随着网络层数的增加，模型提取的特征由浅层特征变为深层特征。通常情况下，CNN网络中浅层特征包括使用卷积核提取的边缘特征，而深层特征与模型最后的分类任务相关。在对深度学习特征分析的过程中，通常需要对深层特征进行分析：这是因为，浅层的边缘特征等可以通过传统的图像滤波器提取，仅对浅层特征分析无法充分利用CNN网络自动提取的深层特征。在医学图像中，分割目标大小相比于自然图像中的物体较小，在使用下采样层对特征图进行缩放的过程中经常会导致特征丢失。例如，假设原始图像中有16*16的球体，经过4次下采样之后将会缩放为一个1*1的像素点，信息在深层网络中已经丢失。虽然
【参考文献】：
期刊论文
[1]利用TCGA数据库分析Calpain-9在结肠癌中的表达及临床意义[J]. 田文武,张先林,卢建明,杨晓东. 武汉大学学报(医学版). 2019(02)
本文编号：3369147
【文章来源】：西北大学陕西省 211工程院校
【文章页数】：63 页
【学位级别】：硕士
【部分图文】：
论文的组织框架
西北大学硕士学位论文12习方法，并且是大数据驱动的方法，在一定范围内数据量越大，且数据之间的差异性越大，深度学习模型可以取得更好的模型性能。这其中暗示了深度学习算法需要大量的训练数据，而标记这些数据是耗时耗力、且乏味枯燥的。因此，如果能将主动学习算法嵌入到深度学习模型之中，则可以大大减少数据标记的时间、经济成本，并在有限的时间内完成深度学习模型的搭建。2.2.1主动学习框架主动学习算法遵循的框架如图2所示。图2主动学习算法流程图在图2中，说明了主动学习经典的算法流程。通常情况下，主动学习通常包含一个Oracle、一个机器学习模型以及带有标记的训练数据集和不带有标记的训练数据集。一个完整的主动学习流程为，使用目前带有标记的数据训练机器学习模型；将模型中的参数进行优化之后使用一定的数据查询策略，在不含有标记的训练数据中挑选对模型训练作用最大的数据进行查询请求；Oracle接收到数据的查询请求之后，对需要标注的数据进行人工标记，并将标记好的数据添加到带有标记的数据集中。主动学习算法如图2进行多次迭代，直到模型收敛或不含有标记的数据全部被标记之后停止循
第二章自步多样性相关理论与算法17模型中已经提取的特征进行了保存，防止了特征丢失。U-Net网络在医学图像分割，如细胞分割、细胞壁分割、视网膜血管分割、胸部器官分割等医学问题上取得了强大的性能。U-Net最初被提出时是应用在2D图像上的分割模型，随后经过改进，应用到了3D的医学图像中。通常情况下，3D的U-Net[39]也被称为V-Net[40]，使用3D卷积实现对3D医学图像的分割任务。传统的U-Net网络结构如图3所示。图3U-Net示意图[38]在图3中，U-Net网络中包含一个含有最大池化层的下采样编码器和一个含有上采样层的解码器。编码器中特征图的个数随着网络的加深逐渐增加，而特征图的大小随着网络的加深逐渐减小；在解码器中，特征图的个数和大小变化情况与编码器相反。随着网络层数的增加，模型提取的特征由浅层特征变为深层特征。通常情况下，CNN网络中浅层特征包括使用卷积核提取的边缘特征，而深层特征与模型最后的分类任务相关。在对深度学习特征分析的过程中，通常需要对深层特征进行分析：这是因为，浅层的边缘特征等可以通过传统的图像滤波器提取，仅对浅层特征分析无法充分利用CNN网络自动提取的深层特征。在医学图像中，分割目标大小相比于自然图像中的物体较小，在使用下采样层对特征图进行缩放的过程中经常会导致特征丢失。例如，假设原始图像中有16*16的球体，经过4次下采样之后将会缩放为一个1*1的像素点，信息在深层网络中已经丢失。虽然
【参考文献】：
期刊论文
[1]利用TCGA数据库分析Calpain-9在结肠癌中的表达及临床意义[J]. 田文武,张先林,卢建明,杨晓东. 武汉大学学报(医学版). 2019(02)
本文编号：3369147
本文链接：https://www.wllwen.com/yixuelunwen/swyx/3369147.html
