基于半监督阶梯网络的肝脏CT影像分割方法
发布时间：2020-11-21 08:20
传统的机器学习算法需要采用大量的有标记样本进行学习,从而建立模型用于预测未知样本的标记,即监督学习。监督学习是机器学习中被研究最多,且应用最广泛的一种学习途径。近年来,伴随着计算机技术的飞速发展,数据的收集和存储已变得相当容易,使得深度学习技术在人工智能的许多领域取得了卓越的成果。深度学习的方法大多采用监督学习模式,而实际应用中,获取大量有标记的示例可能需要耗费大量的人力物力。利用少量标注样本和大量未标注样本进行的机器学习,即介于无监督学习和有监督学习之间的半监督学习,半监督学习可以有效的减少对人工标注的依赖,这使它成为机器学习的热门领域。本文提出一种基于半监督学习的阶梯网络,该方法通过每层的横向连接,利用无监督学习来补充监督学习,以达到对大量未标记数据的有效利用。将其应用于腹部CT影像肝脏分割,取得了较好的效果。构建基于梯形网络的半监督架构,分别内嵌多层感知机与卷积神经网络,利用代价函数实现网络参数的更新。提取腹部影像中子图像(patch),放入网络中训练。该过程将产生大量的冗余信息,为减少冗余信息,采用超像素方法剔除肝实质与腹部的其他脏器信息,仅保留肝脏边缘区域,得到肝脏轮廓的粗分割图片。为了补充在编码通道中丢失的细节信息,解码通道在每层都具有从加噪编码器到解码器的横向连接,并且每层都对成本函数有贡献,使得深层网络的每一层都能得到有效的学习。为了缓解过拟合的问题,在网络的每层增加批量归一化,加快网络的收敛速度。网络采用ReLU函数作为激活函数,解决了梯度消失等问题。实验数据表明,本文提出的算法具有较高的精度,在标签占总数据的8%时,像素分类的准确值为91.53%和92.04%。本文通过实验验证未标记样本对算法准确率的影响,证明了半监督阶梯网络中未标记数据的有用性。
【学位单位】：吉林大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：TP391.41;R816.5
【部分图文】：
第一章 绪论析可以有效地帮助医生进行更准确的临床诊断；更精确地预测治疗方案的成本与疗效；整合病人基因信息进行个性化治疗；分析人口健康数据预测疾病爆发；快速有效的监测保险诈骗等[1]。由大数据产生的医疗智能决策方法能够提高医疗的精准咨询，提高患者的知情权，同时使得自助医疗、家庭医疗有了实现的机会。
学习以及半监督学习。传统的机器学习算法需采用大量的有标记的样本进行学习，从而建立模型并用于预测未知样本的标记，即监督学习。监督学习是机器学习中被研究最多，且应用最广泛的一种学习途径[56]。近年来，伴随着计算机技术的飞速发展，数据的收集和存储已变得相当容易，使得深度学习技术在人工智能的许多领域取了卓越的成果。在传统的监督学习中，假设模型是从大量的训练实例中学到的。每个训练样本都有一个标签，用于指导模型所描述事件的所需输出。在分类中，标签表示相应例子所属的类别；在分割中，标签表示相应的 ROI 区域；在回归中，标签是一个数值输出，如温度、高度、价格等。目前，大部分深度学习的方法基本采用监督学习模式[57-59]，但是实际应用中，获取有标记的示例不仅需要一定的专业知识，还耗费大量的人力物力以及时间。利用少量标注样本和大量未标注样本进行的机器学习，即介于无监督学习和有监督学习之间的半监督学习。
第二章 半监督学习成的。可以发现只有第一个概率估计涉及类标签。未标记样本可以用来改进第二个概率的估计，从而提高了学习模型的性能。半监督学习有两个基本假设，即聚类假设(Cluster Assumption)和流形假设(Manifold Assumption)。聚类假设假定类似的输入数据应该有类似的类标签；流行假设假定数据类似的输入也应该有类似的输出。聚类假设应用于分类问题，而流形假设则可以应用于其他任务。某种意义上，流形假设是聚类假设的泛化。无论采取哪种假设，半监督学习的基础是，无标签的数据为基准数据(groundtruch)分布提供了有用的信息。因此，半监督学习的一个关键是利用未标注样本的分布信息。半监督算法根据目的可以分为分类、降维、回归、聚类；根据模型种类可以分为半监督支持向量机、生成式模型、图半监督等。
【参考文献】
本文编号：2892790
【学位单位】：吉林大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：TP391.41;R816.5
【部分图文】：
第一章 绪论析可以有效地帮助医生进行更准确的临床诊断；更精确地预测治疗方案的成本与疗效；整合病人基因信息进行个性化治疗；分析人口健康数据预测疾病爆发；快速有效的监测保险诈骗等[1]。由大数据产生的医疗智能决策方法能够提高医疗的精准咨询，提高患者的知情权，同时使得自助医疗、家庭医疗有了实现的机会。
学习以及半监督学习。传统的机器学习算法需采用大量的有标记的样本进行学习，从而建立模型并用于预测未知样本的标记，即监督学习。监督学习是机器学习中被研究最多，且应用最广泛的一种学习途径[56]。近年来，伴随着计算机技术的飞速发展，数据的收集和存储已变得相当容易，使得深度学习技术在人工智能的许多领域取了卓越的成果。在传统的监督学习中，假设模型是从大量的训练实例中学到的。每个训练样本都有一个标签，用于指导模型所描述事件的所需输出。在分类中，标签表示相应例子所属的类别；在分割中，标签表示相应的 ROI 区域；在回归中，标签是一个数值输出，如温度、高度、价格等。目前，大部分深度学习的方法基本采用监督学习模式[57-59]，但是实际应用中，获取有标记的示例不仅需要一定的专业知识，还耗费大量的人力物力以及时间。利用少量标注样本和大量未标注样本进行的机器学习，即介于无监督学习和有监督学习之间的半监督学习。
第二章 半监督学习成的。可以发现只有第一个概率估计涉及类标签。未标记样本可以用来改进第二个概率的估计，从而提高了学习模型的性能。半监督学习有两个基本假设，即聚类假设(Cluster Assumption)和流形假设(Manifold Assumption)。聚类假设假定类似的输入数据应该有类似的类标签；流行假设假定数据类似的输入也应该有类似的输出。聚类假设应用于分类问题，而流形假设则可以应用于其他任务。某种意义上，流形假设是聚类假设的泛化。无论采取哪种假设，半监督学习的基础是，无标签的数据为基准数据(groundtruch)分布提供了有用的信息。因此，半监督学习的一个关键是利用未标注样本的分布信息。半监督算法根据目的可以分为分类、降维、回归、聚类；根据模型种类可以分为半监督支持向量机、生成式模型、图半监督等。
【参考文献】
相关期刊论文 前7条
1 张敏灵;;偏标记学习研究综述[J];数据采集与处理;2015年01期
2 刘建伟;刘媛;罗雄麟;;半监督学习方法[J];计算机学报;2015年08期
3 王晓峰;随婷婷;;基于TIGA_S4VM改进算法的蛋白质序列识别方法[J];山东大学学报(工学版);2014年01期
4 周志华;;基于分歧的半监督学习[J];自动化学报;2013年11期
5 崔鹏;;一种用于半监督学习的核优化设计[J];软件工程师;2013年09期
6 王春瑶;陈俊周;李炜;;超像素分割算法研究综述[J];计算机应用研究;2014年01期
7 吴毓龙;袁平波;;密度敏感的距离测度在特定图像聚类中的应用[J];计算机工程;2009年06期
相关博士学位论文 前1条
1 姜震;基于差异的半监督学习中有关算法和理论研究[D];复旦大学;2012年
相关硕士学位论文 前3条
1 马树志;基于深度学习的肝脏CT影像分割方法的研究与应用[D];吉林大学;2017年
2 樊万姝;基于半监督模糊聚类的医学图像分割系统设计[D];大连理工大学;2013年
3 易星;半监督学习若干问题的研究[D];清华大学;2004年
本文编号：2892790
本文链接：https://www.wllwen.com/yixuelunwen/yundongyixue/2892790.html
最近更新
教材专著
