X线肺部图像的特征提取与分类方法研究

发布时间：2020-06-22 22:44

【摘要】：根据世界卫生组织报告显示,全世界因为肺炎而导致儿童死亡的人数相比于其他疾病导致儿童死亡的人数较多,因此肺炎一直被认为是儿童病死的主要原因之一。如果不进行及时的诊断与治疗,将会对患者带来很大的影响,甚至危及患者的生命。通过X线图像的诊断是判断患者是否患有肺炎的比较重要的依据之一。然而许多地区的专业的放射科医生数量却比较少,通过计算机的肺部X线图像处理及其识别技术来辅助医生诊断便有着比较重要的意义,可以帮助医生更快速地进行诊断,从而提高诊断效率,减少延误诊断的情况发生。为了解决这一问题,本文对肺部X线图像进行了研究,并主要进行了以下三方面的工作:肺部X线图像的数据分析及其预处理,肺部图像的传统特征提取及其分类,肺部图像的基于深度学习的特征提取及其分类。肺部图像的数据分析及其预处理主要是统计了所有肺部图片的基本指标,并进行了其直方图的计算,并根据分析之后的特点对数据进行了数据的预处理,对肺部图像进行了直方图均衡化,从而提升了图像的对比度,从而便于后续进行图像的分割操作。在图像增强工作完成后,本文通过Otsu算法确定了最佳阈值对增强后的图片进行了阈值分割,从而提取到了只包含肺部区域的图片。肺部图像的传统特征的提取及其分类则主要是提取了图像的HOG(Histogram of Oriented Gradient)特征,LBP(Local Binary Pattern)特征以及灰度共生矩阵特征。同时,本文通过多个特征的结合,形成融合特征,并采用了支持向量机和随机森林进行了特征分类。结果表明通过本文的特征融合的方式相对于单一特征作为分类特征来说效果较好。肺部图像的基于深度学习的方法的特征提取及其分类则主要是通过利用迁移学习的思路,将在自然图像中分类效果较好的卷积神经网络迁移应用到了本文的肺炎识别中。通过加入了特征微调层来达到迁移学习的目的,并比较了三种网络的分类精度,结果发现GoogleNet Inceptionv3网络通过本文的迁移后效果最好,并验证了迁移后的卷积神经网络的特征提取效果,同时为了可以更好地对所搭建的深度学习模型进行了可解释性分析,通过了基于类激活图的方法和基于遮挡图的方法对模型进行了可解释性分析,并对分析结果进行了可视化。
【学位授予单位】：大连理工大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：R816.4;TP391.41

【相似文献】

相关期刊论文 前10条

1 陈辉;;浅议车牌识别中字符的特征提取方法[J];科技传播;2009年05期

2 徐德友,胡寿松;利用粗集上近似处理特征提取中的噪声问题[J];南京理工大学学报(自然科学版);2002年S1期

3 佟德纯;王永兴;;一种新的齿轮状态的分类识别方法—CEP-AR特征提取与分类[J];振动与冲击;1988年03期

4 罗斌;黄端旭;;皮肤癌表面图象特征提取[J];安徽大学学报(自然科学版);1989年03期

5 王仁华;宋原章;;汉语孤立音节的分段研究[J];信号处理;1989年02期

6 史广;杨艳;;沙化土地地理信息多维结构特征提取仿真[J];计算机仿真;2019年11期

7 杨小军;;图片特征提取[J];中小企业管理与科技(中旬刊);2017年03期

8 武弘;;六种常用的网络流量特征提取工具[J];计算机与网络;2017年06期

9 李晋徽;杨俊安;王一;;一种新的基于瓶颈深度信念网络的特征提取方法及其在语种识别中的应用[J];计算机科学;2014年03期

10 唐朝霞;;一种基于特征提取的简答题阅卷算法[J];湖南工程学院学报(自然科学版);2010年01期

相关会议论文 前10条

1 王纪凯;王鹏;张启彬;陈宗海;;激光数据特征提取与学习方法[A];第17届中国系统仿真技术及其应用学术年会论文集（17th CCSSTA 2016）[C];2016年

2 薛燕;李建良;朱学芳;;人脸识别中特征提取的一种改进方法[A];第十三届全国图象图形学学术会议论文集[C];2006年

3 黄先锋;韩传久;陈旭;周剑军;;运动目标的分割与特征提取[A];全国第二届信号处理与应用学术会议专刊[C];2008年

4 路文焕;曲悦欣;杨亚龙;王建荣;党建武;;用于无声语音接口的超声图像的混合特征提取[A];第十三届全国人机语音通讯学术会议(NCMMSC2015)论文集[C];2015年

5 徐继伟;李建中;柳勃;杨昆;;使用支持向量机和改进特征提取方法的蛋白质分类[A];第二十二届中国数据库学术会议论文集（技术报告篇）[C];2005年

6 刘德刚;邵国凡;;高维遥感数据分析的特征提取方法[A];西部大开发 科教先行与可持续发展——中国科协2000年学术年会文集[C];2000年

7 姜成柱;刘志成;何其芳;卞荣;席闻;;基于信号分解与稀疏恢复的空间群目标微动特征提取[A];第八届中国航空学会青年科技论坛论文集[C];2018年

8 许强;杨佳;;基于线性加权的免疫克隆算法的手指静脉特征提取[A];中国自动化学会控制理论专业委员会B卷[C];2011年

9 高学;金连文;尹俊勋;;基于笔划密度的弹性网格特征提取方法[A];2001年中国智能自动化会议论文集（上册）[C];2001年

10 徐萍;武其松;罗昕炜;陶俊;;基于畸变拖曳阵的高保真特征提取方法[A];中国声学学会水声学分会2019年学术会议论文集[C];2019年

相关重要报纸文章 前3条

1 宇航智控;预测与健康管理(PHM)技术[N];中国航空报;2018年

2 记者 贾玎玎;北京纺控主营业务收入增长11.39%[N];首都建设报;2015年

3 中国信息通信研究院泰尔终端实验室 曾晨曦 段虎才;深度学习框架的前世今生[N];人民邮电;2018年

相关博士学位论文 前10条

1 王晓辉;汽车模具表面缺陷特征提取关键技术研究[D];南昌大学;2019年

2 苏雷曼 施查布（SOULEYMAN CHAIB）;面向高分辨率图像场景分类的特征提取与选择研究[D];哈尔滨工业大学;2018年

3 宋洪超;基于微波的乳腺癌检测算法研究[D];北京邮电大学;2018年

4 温柳英;多模态数据特征提取的粒计算方法研究与应用[D];西南石油大学;2017年

5 李文娟;基于局部特征提取的人脸识别方法研究[D];天津大学;2017年

6 王振宇;面向人脸识别的特征提取技术应用研究[D];东南大学;2016年

7 马丽红;复杂背景下人脸的定位和特征提取[D];华南理工大学;1999年

8 谢平;故障诊断中信息熵特征提取及融合方法研究[D];燕山大学;2006年

9 张绍武;基于支持向量机的蛋白质分类研究[D];西北工业大学;2004年

10 李建生;图像元数据特征提取及其在检索中的应用[D];南京师范大学;2006年

相关硕士学位论文 前10条

1 孙月如;面向人脸图片的特征提取与分类算法研究[D];重庆邮电大学;2019年

2 白冰;噪声背景下声音事件的特征提取及识别[D];湘潭大学;2019年

3 李晓峰;航空遥感光电图像预处理与目标特征提取技术研究[D];哈尔滨工业大学;2019年

4 李净霖;基于计算机视觉的同步定位与三维建图方法研究[D];哈尔滨工业大学;2019年

5 刘召婕;基于感兴趣区域的舌象特征提取与病理分析[D];哈尔滨工业大学;2018年

6 张胜峰;极化特征在真假弹头识别中的应用[D];中国电子科技集团公司电子科学研究院;2019年

7 丁李;湘西方块苗文图像的特征提取与识别研究[D];吉首大学;2019年

8 邱勇辉;网络银行异常交易检测技术与应用研究[D];中国科学院大学(中国科学院深圳先进技术研究院);2019年

9 何庆祥;哈希特征提取和深度自编码表征在反恐中的应用[D];广东工业大学;2019年

10 诸葛文章;基于图学习的高维数据特征提取及聚类方法研究[D];国防科技大学;2017年

本文编号：2726361