基于深度学习的医学精子图像分类算法研究

发布时间：2022-01-02 05:54

　　随着深度学习和图像识别算法的不断更新和发展,利用计算机去学习人的思维能力和经验,辅助人类处理日常的工作已经变得越来越常见。智慧医疗就是将更多的人工智能技术运用到临床疾病的诊断和治疗当中。临床中常见的医学图像是我们分析病情和判断病情的依据,将深度学习和图像识别的技术运用到医疗领域中进行医学图像的识别和分析,利用高性能的计算机去处理大量的医学图片,是医疗大数据的一个重要的研究方向,也是加速智慧医疗体系建设的重要分支。据世卫组织的调查数据显示,全球大概存在7%-11%的育龄人口遭受不孕不育的困扰,其中至少30-50%的病例与男性有关。对男性进行精液分析是诊断男性不孕不育的主要方式,对精子的形态分析是评估诊断者是否患病的关键因素之一。目前对精子的人工评估存在主观性强、标准不严格、耗时等缺陷,因此,利用图像识别算法,通过高性能计算机去实现精子形态评估,辅助医生进行精子形态分析是非常具有临床实用价值。本文是在吉林省科技厅重点科技攻关项目和医大一院合作项目的支持下完成的。医学精子图像的目标检测,包含对精子头部有效特征的提取和精子头部的形态分类两部分,本文的研究重点是利用卷积神经网络的算法对医学精子头... 

【文章来源】：吉林大学吉林省 211工程院校 985工程院校 教育部直属院校

【文章页数】：63 页

【学位级别】：硕士

【部分图文】：

精子形态异常示意图

吉林大学硕士学位论文8构和连接方式使得DenseNet比其他网络需要学习的特征更少，计算量和参数也更小，增加了特征的重复利用，提升了效率，使得网络性能进一步提升。2.2基于目标检测的卷积神经网络2.2.1卷积神经网络的结构和原理CNN的局部感受野特性，减少了对图像的预处理，能够直接将待检测图片输入网络中进行处理，卷积神经网络[31]的基础结构如图2.1所示。图2.1卷积神经网络结构CNN[32]网络包括卷积层、池化层及全连接层等，保证了CNN网络有很好的特征提取能力。（1）卷积层卷积层(Convolutionlayer)用于提取图像的有效特征信息，卷积运算过程如图2.2所示。10011001221101020001100110010100110000120101112011110210101100020111021000012110010101-11001312-143423-132302221312131312412314-124134151023132图2.2卷积运算过程卷积的运算过程，输入图片的矩阵像素点和卷积核数值的乘积之和，是一个特征映射点，随着步长从左到右，从上而下，对输入图片进行完整的扫描，卷积核经过的位置就是感受野，提取到的就是特征信息，最终扫过图片的矩阵得到的数组矩阵，我们称之为特征映射[33]。卷积核与特征图进行卷积计算的公式：,ijijmnksijijyxmnMxwb...…...................（2.1）

增加Dropout层前（左）和后（右）


本文编号：3563611