基于深度学习方法的胸部常见病变X线诊断研究

发布时间：2021-07-07 20:07

　　X射线具有经济、快捷的优势,是早期发现肺结核、肺炎、气胸等各类呼吸系统疾病的重要手段,被誉为现代医学影像的“流量入口”。因此,以覆盖广大基层医疗卫生机构的影像设备—X线为切入点,开展基于人工智能的胸部常见病变筛查诊断项目,将会成为“AI+医疗健康”惠及大众的一个里程碑实现。其中,如何基于深度学习方法提升计算机辅助诊断的性能,是当前医学图像和深度学习领域研究和亟待解决的重要问题之一。围绕胸部X线细粒度辅助诊断场景中存在的网络特征学习冗余性、数据不充分不平衡性、病例信息多元化等关键性问题,本文开展针对性研究,形成一套应用于胸部辅助诊断的有效方法和机制,主要研究工作和贡献包括:1.基于ChestX-Net网络的胸部X线辅助诊断研究针对X线胸部病变诊断中网络学习冗余性的问题,本文提出ChestX-Net细粒度诊断网络,一方面基于通道间的注意力机制模块,通过自适应重要性学习,对每个特征通道进行“特征重标定”,另一方面基于双路并行的全局最大-平均池化结构获得局部特征的互补信息,减少降维过程中的信息损失。实验结果表明,本文ChestX-Net网络在14种病变诊断中均取得最优AUC值,平均AUC值达到... 

【文章来源】：西南科技大学四川省

【文章页数】：67 页

【学位级别】：硕士

【部分图文】：

种胸部常见疾病X线图及其病变区域，边界框只用于可视化评估

第二章相关技术及研究现状7第二章相关技术及研究现状本章主要介绍了医学辅助诊断的国内外研究工作与相关技术，为解决胸部X线辅助诊断中存在的一些问题提供研究思路和技术基础，主要由四部分构成：首先对本文所使用的深度学习关键技术——卷积神经网络进行了阐述，并介绍了几种优秀的卷积网络结构。之后推导了二分类损失交叉熵，随后介绍了迁移学习的相关研究工作。最后详细分析了传统机器学习辅助诊断方法的不足之处，阐述基于深度学习的辅助诊断方法优势之处，并讨论了胸部X线影像常见的多种病变辅助诊断研究工作。2.1神经网络概述近年来，随着深度学习新范式的兴起，在多个领域中人工智能再一次迎来了新的发展机遇。在深度融合交叉的“AI+医学影像”前沿领域中，最核心的算法之一就是神经网络算法，因此本节将对神经网络、卷积神经网络进行概述。2.1.1人工神经网络图2-1单个神经元计算流程人工神经网络（ArtificialNeuralNetwork，ANN）是受生物神经网络启发的计算模型，它模拟了人类生物学中神经元相互连接处理信息的方式，具有信息并行处理和非线性转换的能力。图2.1显示了单个神经元的计算流程。如公式2-1：izfwxb（2-1）其中输入向量为x，权重向量为w，偏置为b，激活函数为f。当数据输入神经元时，输入向量x首先与权重w做内积运算，再与偏置b相加，最后通过激活函数f激

西南科技大学硕士学位论文8活。激活函数f一般为非线性函数，增强神经元拟合非线性映射关系的能力。图2-2多层神经网络深度神经网络是由多个神经元根据某种组合形式构成的，通常由输入层，隐藏层，输出层三部分组成。如图2-2，以单个隐藏层的神经网络为例，网络的输入是特征变量，然后通过隐藏层进行非线性变化，实现特征变量的信息提龋在同一隐藏层中，神经元相互独立不连接，而在相邻层之间的神经元两两相连，上层神经元的输出会成为下层神经元的输入，再与神经元的权重矩阵做内积运算。最后一层被称作网络输出层，根据分类或回归任务的需要，输出离散或连续变量的预测。隐藏层的计算公式如下所示，设神经网络的层数为i，则第i-1层神经元的输出1的输出与第i层神经元的输出表达关系的公式如下。ii(i1)izWab（2-2）()iiiafz（2-3）2.1.2卷积神经网络人工神经网络中的神经元以全连接的方式连接，因此随网络层数的加深，网络参数权重数量将趋于几何增加的趋势，导致诸如训练耗时、过度拟合等问题。卷积神经网络是神经网络模型的延伸，引入了局部连接、权值共享等机制，有效减少网络参数量，避免了全连接网络的诸多问题，在一定程度上对过拟合问题进行了抑制。因此卷积神经网络在深度学习领域中应用广泛、成果颇多，其结构主要由卷积层和池化层组成[1]，其中囊括了感受野（ReceptiveField）、特征通道（Channel）、卷积核（也被称为滤波器）、特征图（FeatureMap）、激活函数（ActivationFunction）等几个重要概念，下面将对卷

【参考文献】：
期刊论文
[1]深度学习骨龄评测系统对贵州省儿童及青少年骨龄测评的准确性[J]. 刘宗才,吴锦华,王荣品,刘昌杰,曾宪春.  中国医学影像技术. 2019(12)
[2]基于深度迁移学习的肺结节辅助诊断方法[J]. 张驰名,王庆凤,刘志勤,黄俊,周莹,刘启榆,徐卫云.  计算机工程. 2020(01)
[3]基于深度学习的X线诊断乳腺癌研究进展[J]. 聂贞慧,刘丽东,苏丹柯.  中国医学影像技术. 2019(05)
[4]人工智能辅助诊断技术在低剂量CT肺结节筛查中的应用及质控[J]. 金晨望,郭佑民.  中华放射学杂志. 2019 (01)
[5]医学影像人工智能进入深水区后的思考[J]. 萧毅,刘士远.  中华放射学杂志. 2019 (01)
[6]人工智能技术在医学影像中的应用讨论[J]. 萧毅,夏晨,张荣国,刘士远.  第二军医大学学报. 2018(08)
[7]孤立性肺结节良恶性判断数学预测模型的建立[J]. 李运,陈克终,隋锡朝,卜梁,周足力,杨帆,刘彦国,赵辉,李剑锋,刘军,姜冠潮,王俊.  北京大学学报(医学版). 2011(03)

博士论文
[1]基于多语义任务与多标签增量学习的胸部影像辅助诊断方法研究[D]. 王庆凤.中国科学技术大学 2019



本文编号：3270284