基于胶囊网络的医学影像分类和生成方法研究
发布时间：2021-11-27 14:09
甲状腺乳头状癌是甲状腺癌中占比最大的类别,并且任何年龄均存在发病的可能,近几年以来中国患病的人数逐年增加,于是提高甲状腺乳头状癌诊断的精确度显得尤其重要。就目前而言医学影像已经是甲状腺癌医学检查诊断的一个非常重要的技术手段,可以在两方面协助医师诊断疾病:一是借助医学设备获得医学影像,直接理解判断;二是通过其他专业的医师解读医学影像,检查是否存在异常,若存在异常的话,需要对病灶的位置、大小、钙化程度进行量化、最后确定病症的分类和等级。诊断甲状腺乳头状癌的超声图像存在清晰度差、分辨率低等现象,再由甲状腺周围的组织结构复杂,干扰的因数较多等原因,所以甲状腺癌超声图像的病灶特征分类有较大难度。随着近几年人工智能技术的发展,深度学习技术中的卷积神经网络已经应用于医学影像当中。但是基于卷积神经网络的模型识别医学影像的精度普遍不高。除了医学图像本身难以识别的因数以外,还有模型自身结构缺陷,容易产生过拟合或者欠拟合,导致学习能力不足。现有的数据集不足,使得利用深度学习技术识别甲状腺乳头状癌症的精度也不高,数据量不足也是阻碍人工智能技术在医学影像领域的发展。本文利用深度学习技术中的胶囊网络作为基础网络解...
【文章来源】：广东工业大学广东省
【文章页数】：68 页
【学位级别】：硕士
【部分图文】：
甲状腺乳头状癌超声图像
第一章绪论3效果会变得更加糟糕，由此得出它们的通用性不强。图1-1甲状腺乳头状癌超声图像Fig.1-1Ultrasoundimageofpapillarythyroidcarcinoma图1-2甲状腺乳头状癌的特征从左到右依次表示形状不规则、回声不均匀、边界不清晰、钙化和正常Fig.1-2Thecharacteristicsofpapillarythyroidcarcinomaare,fromlefttoright,irregularshapes,unclearborders,unevenecho,calcification,andnormal1.2国内外研究现状近几年来，深度学习主要以卷积神经网络[15]（ConvolutionalNeuralNetworks，CNN）为基础网络解决医学影像方面的问题，其中CNN有许多认同的原因主要是其路由数据的过程。路由是将信息从一层中继到另一层的过程，而CNN执行路由是通过最大池化或者平均池化等操作实现。这些操作会丢弃对象的位置和姿势之类的信息，这对于分类任务而言可能会有较好的效果，最终完成医疗图像的分类任务。Saman等使用卷积神经网络来区分老年痴呆症患者的大脑和正常健康的大脑；利用著名的LeNet-5网络模型成功地将阿尔茨海默病患者的功能磁共振数据（functionalMagneticResonance，fMRI）从正常对照组中进行分类，检测数据的准确率达到96.85%[16]。柯威等提出了改进的FasterRCNN方法针对检测的速度和分类的精度都进行了效率的提升，其方法通过先对卷积的第四层和第五层采取L2正则化处理，再将其两层连接实现信息共享，最后用多尺度的输入图像，达到提高网络模型识别
广东工业大学硕士学位论文263.5.2参数设定与实验结果分析实验结果图3-6中横轴表示的是训练的步数，纵轴表示的是模型训练时的准确率。甲状腺乳头状癌超声图像数据集中各个网络模型动态路由次数设置为3次，各网络模型批次为24张顺序随机的输入图像，最终迭代次数为200次。图3-6表示的是ResCaps1网络与原CapsNet网络模型在甲状腺乳头状癌数据集训练过程中的准确率，由图分析可得ResCaps1网络能够更快的达到收敛效果，并且其训练达到稳定的时间要比CapsNet网络更快。虽然ResCaps1网络在参数上比CapsNet网络要多，但是ResCaps网络的性能要比CapNet网络更加优异。图3-6CapsNet与ResCaps1网络模型训练的准确率Fig.3-6CapsNetandResCaps1networkmodeltrainingaccuracy图3-7表示的是ResCaps2网络与CapsNet网络在甲状腺乳头状癌数据集训练过程中的准确率变化曲线。由图可知ResCaps2也有着更快达到训练收敛的时间，并且最终的稳定效果也比CapsNet网络要优。
【参考文献】：
期刊论文
[1]基于卷积神经网络的图像分类算法综述[J]. 杨真真,匡楠,范露,康彬. 信号处理. 2018(12)
[2]基于胶囊网络的指静脉识别研究[J]. 余成波,熊递恩. 电子技术应用. 2018(10)
[3]基于全局运动特征的地铁乘客异常行为检测[J]. 朱小锋. 通信电源技术. 2017(06)
[4]甲状腺乳头状癌的临床病理学回顾性分析[J]. 吕胜涛. 中国农村卫生. 2017(14)
[5]生成式对抗网络GAN的研究进展与展望[J]. 王坤峰,苟超,段艳杰,林懿伦,郑心湖,王飞跃. 自动化学报. 2017(03)
[6]基于手语视觉单词特征的手语字母识别研究[J]. 杨全,彭进业. 计算机工程. 2014(04)
[7]超声造影在甲状腺乳头状癌中的诊断价值[J]. 周琦,姜珏,杜晓鹏,宋厂义. 中国超声医学杂志. 2011 (07)
[8]甲状腺乳头状癌的治疗研究进展[J]. 韦兴中,梁中骁. 中国临床新医学. 2010(11)
[9]基于双线性插值的图像缩放算法的研究与实现[J]. 王森,杨克俭. 自动化技术与应用. 2008(07)
[10]最小一乘线性回归模型研究[J]. 谢开贵,宋乾坤,周家启. 系统仿真学报. 2002(02)
硕士论文
[1]基于深度卷积神经网络的甲状腺乳头状癌超声图像识别的研究[D]. 柯威.广东工业大学 2018
[2]静态图像中感兴趣区域检测方法研究[D]. 王萌.天津工业大学 2018
[3]移动增强现实技术研究[D]. 冯鑫淼.西南科技大学 2016
本文编号：3522447
【文章来源】：广东工业大学广东省
【文章页数】：68 页
【学位级别】：硕士
【部分图文】：
甲状腺乳头状癌超声图像
第一章绪论3效果会变得更加糟糕，由此得出它们的通用性不强。图1-1甲状腺乳头状癌超声图像Fig.1-1Ultrasoundimageofpapillarythyroidcarcinoma图1-2甲状腺乳头状癌的特征从左到右依次表示形状不规则、回声不均匀、边界不清晰、钙化和正常Fig.1-2Thecharacteristicsofpapillarythyroidcarcinomaare,fromlefttoright,irregularshapes,unclearborders,unevenecho,calcification,andnormal1.2国内外研究现状近几年来，深度学习主要以卷积神经网络[15]（ConvolutionalNeuralNetworks，CNN）为基础网络解决医学影像方面的问题，其中CNN有许多认同的原因主要是其路由数据的过程。路由是将信息从一层中继到另一层的过程，而CNN执行路由是通过最大池化或者平均池化等操作实现。这些操作会丢弃对象的位置和姿势之类的信息，这对于分类任务而言可能会有较好的效果，最终完成医疗图像的分类任务。Saman等使用卷积神经网络来区分老年痴呆症患者的大脑和正常健康的大脑；利用著名的LeNet-5网络模型成功地将阿尔茨海默病患者的功能磁共振数据（functionalMagneticResonance，fMRI）从正常对照组中进行分类，检测数据的准确率达到96.85%[16]。柯威等提出了改进的FasterRCNN方法针对检测的速度和分类的精度都进行了效率的提升，其方法通过先对卷积的第四层和第五层采取L2正则化处理，再将其两层连接实现信息共享，最后用多尺度的输入图像，达到提高网络模型识别
广东工业大学硕士学位论文263.5.2参数设定与实验结果分析实验结果图3-6中横轴表示的是训练的步数，纵轴表示的是模型训练时的准确率。甲状腺乳头状癌超声图像数据集中各个网络模型动态路由次数设置为3次，各网络模型批次为24张顺序随机的输入图像，最终迭代次数为200次。图3-6表示的是ResCaps1网络与原CapsNet网络模型在甲状腺乳头状癌数据集训练过程中的准确率，由图分析可得ResCaps1网络能够更快的达到收敛效果，并且其训练达到稳定的时间要比CapsNet网络更快。虽然ResCaps1网络在参数上比CapsNet网络要多，但是ResCaps网络的性能要比CapNet网络更加优异。图3-6CapsNet与ResCaps1网络模型训练的准确率Fig.3-6CapsNetandResCaps1networkmodeltrainingaccuracy图3-7表示的是ResCaps2网络与CapsNet网络在甲状腺乳头状癌数据集训练过程中的准确率变化曲线。由图可知ResCaps2也有着更快达到训练收敛的时间，并且最终的稳定效果也比CapsNet网络要优。
【参考文献】：
期刊论文
[1]基于卷积神经网络的图像分类算法综述[J]. 杨真真,匡楠,范露,康彬. 信号处理. 2018(12)
[2]基于胶囊网络的指静脉识别研究[J]. 余成波,熊递恩. 电子技术应用. 2018(10)
[3]基于全局运动特征的地铁乘客异常行为检测[J]. 朱小锋. 通信电源技术. 2017(06)
[4]甲状腺乳头状癌的临床病理学回顾性分析[J]. 吕胜涛. 中国农村卫生. 2017(14)
[5]生成式对抗网络GAN的研究进展与展望[J]. 王坤峰,苟超,段艳杰,林懿伦,郑心湖,王飞跃. 自动化学报. 2017(03)
[6]基于手语视觉单词特征的手语字母识别研究[J]. 杨全,彭进业. 计算机工程. 2014(04)
[7]超声造影在甲状腺乳头状癌中的诊断价值[J]. 周琦,姜珏,杜晓鹏,宋厂义. 中国超声医学杂志. 2011 (07)
[8]甲状腺乳头状癌的治疗研究进展[J]. 韦兴中,梁中骁. 中国临床新医学. 2010(11)
[9]基于双线性插值的图像缩放算法的研究与实现[J]. 王森,杨克俭. 自动化技术与应用. 2008(07)
[10]最小一乘线性回归模型研究[J]. 谢开贵,宋乾坤,周家启. 系统仿真学报. 2002(02)
硕士论文
[1]基于深度卷积神经网络的甲状腺乳头状癌超声图像识别的研究[D]. 柯威.广东工业大学 2018
[2]静态图像中感兴趣区域检测方法研究[D]. 王萌.天津工业大学 2018
[3]移动增强现实技术研究[D]. 冯鑫淼.西南科技大学 2016
本文编号：3522447
本文链接：https://www.wllwen.com/yixuelunwen/swyx/3522447.html
