生成对抗网络在肝结节分类中的应用

发布时间：2020-08-06 10:27

【摘要】：图像分类在计算机视觉领域一直占有很重要的地位,随着各式各样的图像采集技术的不断发展,越来越多的图像走进了人们的生活,现有的图像分类技术可以高效准确的对图像进行分类。众所周知,分类器的训练过程需要用到大量的样本,然而在医疗图像领域中人们发现,仍然存在着数据集有限以及带注释样本的图像数量有限等问题。人们希望可以拥有更多的图像来帮助他们训练出分类准确率更高的分类器。生成对抗网络自提出之日起,就受到了极为广泛的关注,生成对抗网络的出现对于生成式模型的发展具有重要的意义。GAN最直接的应用在于生成数据,换句话说就是利用GAN来生成图像、语音等数据。卷积神经网络作为目前图像处理领域最成功的模型,已被广泛的应用到了多个领域当中,早在20世纪末卷积神经网络就已经开始应用到了医学图像分析中,后来由于受到梯度消失等因素的影响,使得关于神经网络的研究进入到了瓶颈期。直到人们找到了训练深层的神经网络的方法,使得卷积神经网络被重新的应用到了医疗图像领域中,那么如何把CNN和GAN结合起来就成为了很多学者研究的方向,而DCGAN就是在这方面最好的尝试之一。然而,DCGAN模型的卷积网络受到局部感受野的限制,无法生成大范围相关区域,最终导致生成的图像无法达到人们的预期效果。针对上述问题,本文提出了基于自注意力机制的DCGAN分类模型。该模型把自注意力机制引入到了DCGAN模型中,用带有自注意力的特征图替换掉原有DCGAN中经过卷积后产生的卷积特征图。解决了模型因受到局部感受野的限制,卷积网络无法生成大范围相关区域这一难题。本文主要由以下几部分工作构成:(1)本文首先介绍了生成对抗网络相关的基础知识,包括什么是生成对抗网络、生成对抗网络的几种经典变体以及本文中用到的相关知识要点;介绍了生成对抗网络的研究现状以及生成对抗网络在医疗图像领域的应用。(2)介绍了生成对抗网络相较于传统数据增强方法的优势,并着重介绍了DCGAN模型,该模型把卷积神经网络和生成对抗网络结合在了一起,有效地提高了生成样本的质量以及收敛的速度。(3)由于受到数据集大小的限制,本文使用三折交叉验证方法将原始数据集进行了处理,保证了数据集中的每一条数据都有同等的概率被用于训练和测试,在一定程度上提高了模型的泛化能力。针对DCGAN模型因受到局部感受野的限制,卷积网络无法生成大范围相关区域的问题,本文对DCGAN模型进行了改进。将自注意力机制引入到了模型当中,使得改进后的模型可以生成更高质量的图片,进而提高了分类器分类的准确率。(4)为了验证基于自注意力机制的DCGAN分类模型在肝结节分类中的实际表现,本文将基于自注意力机制的DCGAN模型同传统数据增强方法和DCGAN模型进行了对比实验,使用混淆矩阵、灵敏度来评估分类器的性能,最终实验结果表明基于自注意力机制的DCGAN分类模型在肝结节的分类问题中具有更好的表现。
【学位授予单位】：吉林大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP391.41;TP183;R575
【图文】：

结构图,生成对,网络模型,结构图

图 2.1 生成对抗网络模型结构图生成对抗网络的实现原理可以简要的概况为：我们把一个随机的向量作为生成模型的第一个输入，让它通过学习产生一个新的向量，我们把这个生成的新的向量用 G（z）来表示，此时我们再从数据集中随机的选取图片，将图片转换成对应的向量，我们这里用 x 来表示真实的图片。GAN 的优化过程可以理解为找到纳什平衡点的一个过程，在公式（2.1）中给出了论文中的一个优化函数。( minmax ( , ) ~ ( )[ log( ( ))] ~ ( )[log(1 ( ( )))]zx pdata x z p zV D G E D x E D G z……（2.1）在这里我们先对判别网络进行优化，此时固定 G，让判别器在输入真实样本时得到的结果越大越好，而当判别器输入假的样本时，其输出结果越小越好。当我们优化生成网络时，我们希望 D（G（z））越大越好，提高 D 的准确率。log(1-D(x))是我们在上面提到的生成器的损失函数的方程表达式，但是当 D（x）

结构图,结构图,模型,卷积

图 2.4 DCGAN 模型中生成器的结构图图 2.4[9]是 DCGAN 原文中给出的生成器的结构图，从图中我们可以知道，当生成模型的输入是一个 100 维的噪声时，需要通过四层卷积层，最终产生一个 64*64*3 大小的图片。值得注意的是，很多引用此篇论文的科研人员把图片中的卷积层误当成了反卷积层[31]。实际上，这 4 个卷积层指的是微步幅度卷积。两者的区别如下图 2.5 所示：

结构图,结构图,模型,卷积

【相似文献】