基于机器学习的疾病自动诊断研究
发布时间：2021-05-08 00:53
随着人工智能和大数据的飞速发展,大量的医疗数据被有效利用,疾病的诊断分析随之步入智能时代。一方面,传统的疾病诊断主要依靠医生的直接经验,诊断结果受人为、环境等因素影响较大;另一方面,我国医疗资源分布不均,顶级医疗机构人满为患而基层偏远地区医疗资源短缺且服务水平低。为解决这一问题,机器学习算法被应用到人类疾病的自动诊断上,这不仅能够帮助患者及早发现疾病、及时得到治疗,同时可以有效辅助医生对疾病作出正确的诊断,降低误诊漏诊的概率,还能够打破城乡之间的信息屏障,将先进诊疗能力拓展到基层,提升基层的医疗水平。随着医疗领域影像检查技术的发展,医学图像的大数据分析进程不断推进,深度学习方法被有效应用在医学影像数据的识别与处理上。本文以两类数据集为例,一类是小规模文本数据——印度肝脏病人数据集ILPD,一类是大规模病理图像数据——公开的乳腺癌患者数据集BreakHis,针对不同的数据集特征提出了不同的应用策略,在理论研究和实践应用上均取得了一定成果。本文使用了当前机器学习应用领域两种普遍使用并且十分有效的研究方法:比较研究和改进研究。基于ILPD数据集使用多种机器学习模型做了比较研究,首先推导了逻辑...
【文章来源】：烟台大学山东省
【文章页数】：62 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
1 绪论
1.1 选题背景及意义
1.2 研究现状
1.3 本文工作内容概述
1.3.1 主要工作
1.3.2 内容安排
2 机器学习相关技术
2.1 数据挖掘概述
2.2 利用机器学习自动诊断疾病的方法
2.3 数据预处理方法
2.3.1 处理类别意义的特征
2.3.2 处理缺失数据
2.3.3 去均值
2.3.4 数据归一化
2.3.5 降维
2.4 分类器性能评估指标
2.5 本章小结
3 基于机器学习的肝脏病自动诊断
3.1 逻辑回归
3.1.1 逻辑回归预测模型的建立
3.1.2 逻辑回归损失函数的推导
3.2 支持向量机(SVM)
3.2.1 支持向量机的主要特点
3.2.2 支持向量机模型的推导
3.3 决策树
3.3.1 决策树结构与创建流程
3.3.2 分支标准
3.3.3 剪枝处理
3.4 实验结果分析
3.4.1 实验数据集
3.4.2 训练过程
3.4.3 实验结果
3.5 本章小结
4 基于深度学习改进算法的乳腺癌自动诊断
4.1 卷积神经网络(CNN)
4.1.1 卷积层
4.1.2 池化层
4.1.3 激活函数
4.1.4 全连接层
4.2 DenseNet网络
4.3 改进的DenseNet网络
4.3.1 DenseNet网络结构改进
4.3.2 数据增强
4.3.3 迁移学习
4.4 实验结果分析
4.4.1 实验数据集
4.4.2 评价标准
4.4.3 训练过程
4.4.4 实验结果分析
4.5 本章小结
5 结束语
5.1 全文总结
5.2 未来研究目标与方向
参考文献
致谢
附录
【参考文献】：
期刊论文
[1]决策树的剪枝策略研究[J]. 黎娅,郭江娜. 河南科学. 2009(03)
[2]缺失数据处理方法的比较研究[J]. 刘鹏,雷蕾,张雪凤. 计算机科学. 2004(10)
[3]数据挖掘中数据预处理的研究与实现[J]. 菅志刚,金旭. 计算机应用研究. 2004(07)
[4]支持向量机分类器在医疗诊断中的应用研究[J]. 阎威武,邵惠鹤. 计算机仿真. 2003(02)
[5]数据挖掘中的数据预处理[J]. 刘明吉,王秀峰,黄亚楼. 计算机科学. 2000(04)
博士论文
[1]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
[2]全球女性乳腺癌疾病负担分析及其与社会经济水平和医疗质量关系的初步探讨[D]. 胡凯敏.浙江大学 2016
[3]基于关联规则与决策树的预测方法研究及其应用[D]. 伊卫国.大连海事大学 2012
[4]支持向量机学习算法若干问题的研究[D]. 常甜甜.西安电子科技大学 2010
[5]Logistic回归、决策树和神经网络在预测2型糖尿病并发末梢神经病变中的性能比较[D]. 李长平.中国人民解放军军事医学科学院 2009
硕士论文
[1]基于LSTM的心律失常分类研究[D]. 李雪.兰州大学 2018
[2]机器学习算法在医疗数据分析中的应用[D]. 叶雷.华中师范大学 2017
[3]基于机器学习的癌症诊断方法研究[D]. 刘奕.湖北工业大学 2017
[4]逻辑回归算法及其GPU并行实现研究[D]. 董学辉.哈尔滨工业大学 2016
[5]基于信息增益的量化算法及其在决策树中应用的研究[D]. 邓蓓蓓.广东工业大学 2016
[6]Logistic回归模型、神经网络模型和决策树模型在肺癌术后心肺并发症预测中的比较[D]. 宋健.安徽医科大学 2014
[7]基于逻辑回归的推荐技术研究及应用[D]. 刘力银.电子科技大学 2013
[8]支持向量机的研究与应用[D]. 胡艳国.南昌大学 2007
[9]基于支持向量机的癌症诊断研究[D]. 袁前飞.重庆大学 2007
[10]基于决策树的分类方法研究[D]. 戴南.南京师范大学 2003
本文编号：3174359
【文章来源】：烟台大学山东省
【文章页数】：62 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
1 绪论
1.1 选题背景及意义
1.2 研究现状
1.3 本文工作内容概述
1.3.1 主要工作
1.3.2 内容安排
2 机器学习相关技术
2.1 数据挖掘概述
2.2 利用机器学习自动诊断疾病的方法
2.3 数据预处理方法
2.3.1 处理类别意义的特征
2.3.2 处理缺失数据
2.3.3 去均值
2.3.4 数据归一化
2.3.5 降维
2.4 分类器性能评估指标
2.5 本章小结
3 基于机器学习的肝脏病自动诊断
3.1 逻辑回归
3.1.1 逻辑回归预测模型的建立
3.1.2 逻辑回归损失函数的推导
3.2 支持向量机(SVM)
3.2.1 支持向量机的主要特点
3.2.2 支持向量机模型的推导
3.3 决策树
3.3.1 决策树结构与创建流程
3.3.2 分支标准
3.3.3 剪枝处理
3.4 实验结果分析
3.4.1 实验数据集
3.4.2 训练过程
3.4.3 实验结果
3.5 本章小结
4 基于深度学习改进算法的乳腺癌自动诊断
4.1 卷积神经网络(CNN)
4.1.1 卷积层
4.1.2 池化层
4.1.3 激活函数
4.1.4 全连接层
4.2 DenseNet网络
4.3 改进的DenseNet网络
4.3.1 DenseNet网络结构改进
4.3.2 数据增强
4.3.3 迁移学习
4.4 实验结果分析
4.4.1 实验数据集
4.4.2 评价标准
4.4.3 训练过程
4.4.4 实验结果分析
4.5 本章小结
5 结束语
5.1 全文总结
5.2 未来研究目标与方向
参考文献
致谢
附录
【参考文献】：
期刊论文
[1]决策树的剪枝策略研究[J]. 黎娅,郭江娜. 河南科学. 2009(03)
[2]缺失数据处理方法的比较研究[J]. 刘鹏,雷蕾,张雪凤. 计算机科学. 2004(10)
[3]数据挖掘中数据预处理的研究与实现[J]. 菅志刚,金旭. 计算机应用研究. 2004(07)
[4]支持向量机分类器在医疗诊断中的应用研究[J]. 阎威武,邵惠鹤. 计算机仿真. 2003(02)
[5]数据挖掘中的数据预处理[J]. 刘明吉,王秀峰,黄亚楼. 计算机科学. 2000(04)
博士论文
[1]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
[2]全球女性乳腺癌疾病负担分析及其与社会经济水平和医疗质量关系的初步探讨[D]. 胡凯敏.浙江大学 2016
[3]基于关联规则与决策树的预测方法研究及其应用[D]. 伊卫国.大连海事大学 2012
[4]支持向量机学习算法若干问题的研究[D]. 常甜甜.西安电子科技大学 2010
[5]Logistic回归、决策树和神经网络在预测2型糖尿病并发末梢神经病变中的性能比较[D]. 李长平.中国人民解放军军事医学科学院 2009
硕士论文
[1]基于LSTM的心律失常分类研究[D]. 李雪.兰州大学 2018
[2]机器学习算法在医疗数据分析中的应用[D]. 叶雷.华中师范大学 2017
[3]基于机器学习的癌症诊断方法研究[D]. 刘奕.湖北工业大学 2017
[4]逻辑回归算法及其GPU并行实现研究[D]. 董学辉.哈尔滨工业大学 2016
[5]基于信息增益的量化算法及其在决策树中应用的研究[D]. 邓蓓蓓.广东工业大学 2016
[6]Logistic回归模型、神经网络模型和决策树模型在肺癌术后心肺并发症预测中的比较[D]. 宋健.安徽医科大学 2014
[7]基于逻辑回归的推荐技术研究及应用[D]. 刘力银.电子科技大学 2013
[8]支持向量机的研究与应用[D]. 胡艳国.南昌大学 2007
[9]基于支持向量机的癌症诊断研究[D]. 袁前飞.重庆大学 2007
[10]基于决策树的分类方法研究[D]. 戴南.南京师范大学 2003
本文编号：3174359
本文链接：https://www.wllwen.com/yixuelunwen/yiyuanguanlilunwen/3174359.html
