乳腺癌是全世界女性中最常見和最嚴(yán)重的癌癥之一,發(fā)病率自上世紀(jì)70年代以來一直呈上升趨勢,并且已經(jīng)成為世界上被診斷數(shù)量最多的女性癌癥。在傳統(tǒng)的超聲檢查中,醫(yī)生根據(jù)超聲圖像,結(jié)合自己的專業(yè)知識及臨床經(jīng)驗(yàn)進(jìn)行診斷,主觀性較強(qiáng),且會受到其他身體組織和陰影等其它干擾,因此會存在漏診或者誤診,故臨床診斷需要引入計(jì)算機(jī)輔助設(shè)計(jì),可以減少人為干預(yù),進(jìn)而提高診斷性能。如今大部分計(jì)算機(jī)輔助設(shè)計(jì)系統(tǒng)都利用深度學(xué)習(xí)進(jìn)行醫(yī)學(xué)圖像處理,大部分深度學(xué)習(xí)算法都需要大量的數(shù)據(jù)集來支撐模型的訓(xùn)練,以便得到較好的效果,由于乳腺超聲圖像的特殊性,可獲取的樣本很難滿足深度學(xué)習(xí)算法的硬性需求,故使用一般的深度學(xué)習(xí)方法進(jìn)行乳腺超聲圖像處理時(shí)無法取得良好的效果。因此本文主要研究如何在樣本較少的情況下,利用多任務(wù)學(xué)習(xí)算法,實(shí)現(xiàn)較好的乳腺超聲圖像語義分割與分類,進(jìn)而更好地輔助醫(yī)師進(jìn)行乳腺癌的診斷。本文首先對醫(yī)學(xué)超聲圖像分割及分類的國內(nèi)外研究現(xiàn)狀進(jìn)行分析,對比各算法的優(yōu)缺點(diǎn),以此為基礎(chǔ)提出基于多任務(wù)學(xué)習(xí)的乳腺超聲圖像分類和語義分割思路,卷積神經(jīng)網(wǎng)絡(luò)擅長圖像級別的分類,利用該算法進(jìn)行乳腺腫瘤良惡性判斷,U-net網(wǎng)絡(luò)可以實(shí)現(xiàn)像素級別的分類,...

【文章頁數(shù)】：59 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖2-1神經(jīng)元模型

規(guī)律對未知數(shù)據(jù)進(jìn)行預(yù)測，機(jī)器學(xué)習(xí)的應(yīng)用遍及人DeepLearning）是機(jī)器學(xué)習(xí)的子類，靈感來源于人深度神經(jīng)網(wǎng)絡(luò)來解決特征表達(dá)的學(xué)習(xí)過程，其階層的對其構(gòu)筑中的參數(shù)進(jìn)行更新以達(dá)成訓(xùn)練目標(biāo)，該過深度學(xué)習(xí)發(fā)展迅速，在人像識別、機(jī)器翻譯、自動。括生物神經(jīng)網(wǎng)絡(luò)和人工神經(jīng)網(wǎng)絡(luò)(Artifi....

圖2-2多層感知器模型

哈爾濱工業(yè)大學(xué)工程碩士學(xué)位論文進(jìn)行全連接的單層感知器（Perceptron）模型，此模型較為簡單，故只能做線性分類任務(wù)，無法解決異或類型的分類任務(wù)，且計(jì)算層增加到兩層，計(jì)算量過大，沒有非常有效的學(xué)習(xí)算法，雖然如此，感知器模型為之后的神經(jīng)網(wǎng)絡(luò)提供了思路，此模型也是神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)。人....

圖2-3卷積過程示意圖

哈爾濱工業(yè)大學(xué)工程碩士學(xué)位論文為“寬卷積”。積過程及卷積層示意圖如2-3、2-4所示，對32×32×3的彩色圖像，采層深度為6）5×5×3的卷積核，步長為1，不進(jìn)行填充，則得到28×2接著采用10個(gè)5×5×6的卷積核進(jìn)行運(yùn)算，得到24×24×10的特征....

圖2-4卷積層示意圖

接著采用10個(gè)5×5×6的卷積核進(jìn)行運(yùn)算，得到24×24×10的特征圖。如上所述，卷積層就是對原式特征逐步進(jìn)行濃縮，最終得到可靠的特征，利用最后一層特征就可以做分割及分類。在卷積神經(jīng)網(wǎng)絡(luò)中，一般會在卷積層后加入激活函數(shù)，以此來表達(dá)非線性因素，具體如2.2.2小節(jié)所....

本文編號：3930292