【摘要】：目前,卷積神經(jīng)網(wǎng)絡(luò)模型已經(jīng)被廣泛應(yīng)用于完成各類智能任務(wù),例如:人臉識(shí)別、文字識(shí)別、證件/車牌識(shí)別等。其解決計(jì)算機(jī)視覺問題的強(qiáng)大能力已在在多個(gè)自然場(chǎng)景任務(wù)中得到了驗(yàn)證。醫(yī)學(xué)影像輔助診斷場(chǎng)景是一個(gè)復(fù)雜的場(chǎng)景,涉及多種類型的圖像。其中包括:普通二維圖像(例如:眼底圖像,皮膚圖像),超大分辨率圖像(例如:數(shù)字病理切片圖像)和三維影像(例如:CT、MRI)。該領(lǐng)域還有許多問題有待研究,例如:是否能夠遷移已有的成功模型處理不同類型的醫(yī)學(xué)圖像并得出正確的診斷結(jié)論;模型處理能力是否能達(dá)到臨床使用要求等。本文總結(jié)了卷積神經(jīng)網(wǎng)絡(luò)在醫(yī)學(xué)影像診斷模型設(shè)計(jì)領(lǐng)域的研究進(jìn)展,針對(duì)適配不同的數(shù)據(jù)格式、遷移已有的模型、特定應(yīng)用場(chǎng)景優(yōu)化、平衡模型的速度、精度、可解釋性等指標(biāo),提高模型的可用性等問題展開研究。提出了一種普通二維醫(yī)學(xué)圖像數(shù)據(jù)處理方法,并針對(duì)糖尿病視網(wǎng)膜病變檢測(cè)場(chǎng)景構(gòu)建了 Trans-DRNet模型。該模型借鑒了醫(yī)生的實(shí)際診療過程,通過兩級(jí)卷積神經(jīng)網(wǎng)絡(luò)完成了對(duì)雙眼特征的有效融合,更好的表征了疾病的嚴(yán)重程度。另外,在模型求解過程中分析了不同求解方法的優(yōu)劣,闡述了不同求解方法的適用場(chǎng)景。實(shí)驗(yàn)表明,該模型具備較強(qiáng)的病變圖像分類能力。提出了一種超大分辨率醫(yī)學(xué)圖像數(shù)據(jù)處理方法,并針對(duì)乳腺癌前哨淋巴結(jié)轉(zhuǎn)移檢測(cè)場(chǎng)景構(gòu)建了Trans-TumorNet模型。該模型結(jié)合了微觀尺度上的卷積神經(jīng)網(wǎng)絡(luò)與宏觀尺度上的形態(tài)學(xué)計(jì)算,構(gòu)建了腫瘤區(qū)域信息提取的完整鏈條,具備較強(qiáng)的腫瘤圖像分類能力。另外,針對(duì)如何平衡模型效率、模型性能和模型可解釋性,本文通過細(xì)致觀察醫(yī)生閱片的過程,提出了能夠利用多分辨率特征的MMFE方法用于對(duì)Trans-TumorNet模型的改進(jìn),并取得了良好的效果。提出了一種三維醫(yī)學(xué)影像數(shù)據(jù)處理方法,并針對(duì)早期肺癌篩查場(chǎng)景構(gòu)建了 Trans-LungNet模型。該模型利用兩個(gè)結(jié)構(gòu)完全不同的卷積神經(jīng)網(wǎng)絡(luò)分別提取結(jié)節(jié)特征和特殊組織特征,完成了對(duì)三維影像的結(jié)構(gòu)化處理。實(shí)驗(yàn)表明,該模型具備較強(qiáng)的三維圖像分類能力。另外,在時(shí)間維度拓展方面,本文通過提出Trans-USNet模型探索了物體檢測(cè)模型在乳腺超聲結(jié)節(jié)檢測(cè)場(chǎng)景下的應(yīng)用。該模型通過對(duì)問題的分解,將結(jié)節(jié)檢測(cè)和結(jié)節(jié)分類分為兩個(gè)階段分別處理,兼顧了視頻處理對(duì)速度的要求和臨床診斷對(duì)精度的要求。實(shí)驗(yàn)表明該模型能夠高效處理視頻數(shù)據(jù),具備較強(qiáng)的結(jié)節(jié)檢測(cè)和分類能力。提出了一種卷積神經(jīng)網(wǎng)絡(luò)模型可用性改進(jìn)的一般方法。本文指出可用性改進(jìn)需要提高模型的可解釋性和易用性。對(duì)于模型的可解釋性改進(jìn),提出了利用基于分類梯度映射,標(biāo)記出顯著影響診斷結(jié)果的特征來源區(qū)域的方法。對(duì)于模型易用性改進(jìn),提出了利用WebService和異步消息隊(duì)列,將模型封裝為服務(wù)的方法。同時(shí),為了驗(yàn)證該方法可有效性,本文利用這一方法對(duì)Trans-DRNet模型進(jìn)行了改進(jìn),通過可解釋性改進(jìn)和易用性改進(jìn)分別創(chuàng)建了報(bào)告系統(tǒng)和移動(dòng)應(yīng)用,獲得了良好的效果。綜上所述,本文基于對(duì)卷積神經(jīng)網(wǎng)絡(luò)性質(zhì)的研究,提出了針對(duì)多種類型醫(yī)學(xué)圖像數(shù)據(jù)的處理方法,并針對(duì)多個(gè)典型場(chǎng)景進(jìn)行了深入分析與建模實(shí)踐。指出了利用卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建具體模型時(shí)所需要考慮的各方面的因素,并探索了不同圖像數(shù)據(jù)結(jié)構(gòu)下模型構(gòu)建的共性過程。本文提出的模型構(gòu)建與改進(jìn)方法具有較強(qiáng)的通用性,對(duì)未來更大范圍的醫(yī)學(xué)圖像建模工作具有積極的指導(dǎo)意義。
【學(xué)位授予單位】：北京郵電大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2019
【分類號(hào)】：TP391.41;TP183
【圖文】：

型提供了思路，并為神經(jīng)網(wǎng)絡(luò)的再次崛起鋪平了道路。逡逑在ＣＮＮ中，卷積層的數(shù)據(jù)處理通常包括三個(gè)步驟。首先，卷積層通過多次計(jì)算獲得一組線性變換輸出；然后，非線性激活函數(shù)作用在每一個(gè)線性輸出上進(jìn)測(cè)；最后，可以使用池化函數(shù)來更進(jìn)一步地調(diào)整卷積層的輸出。這一過程包含了邋Ｃ的核心思想。逡逑２．２．２卷積計(jì)算逡逑在泛函分析中，卷積是通過兩個(gè)函數(shù)；ｃ和ｗ生成第三個(gè)函數(shù)的一種數(shù)學(xué)算子，征函數(shù)Ｘ與Ｗ經(jīng)過翻轉(zhuǎn)和平移的重疊部分的面積。逡逑設(shè)：ｘ（ａ），ｗ（ａ）是Ｍ上的兩個(gè)可積函數(shù)，作積分：逡逑＾（ｔ）邋＝邋／邋ｘ（ａ）ｗ（ｔ邋—邋ａ）ｄａ這樣，隨著ｔ的不同取值，這個(gè)積分就定義了一個(gè)新函數(shù)Ｓ（ｔ），稱為函數(shù)；Ｃ與卷積，記為：逡逑ｓ（ｔ）邋＝邋（＾邋＊邋ｗ）（ｔ）這種運(yùn)算就叫做卷積運(yùn)算，卷積運(yùn)算通常用＊表示。逡逑其物理含義如圖２－１所示：逡逑

圖２－１展示了方形脈沖波和指數(shù)衰退脈沖波的卷積。重疊部分的面積就相當(dāng)于“時(shí)刻的卷積。由于ｗ是對(duì)稱的，所以在這張圖中，翻轉(zhuǎn)并不會(huì)改變它的形狀。逡逑一般地，當(dāng)使用計(jì)算機(jī)處理數(shù)據(jù)時(shí)，輸入會(huì)被離散化，需要使用離散形式的卷積事實(shí)上，從離散角度看卷積，會(huì)更加清楚。逡逑對(duì)于兩個(gè)序列ｘ（ａ）和ｗ0），一般可以將其卷積定義為：逡逑＾（０邋＾邐－邋ａ）邐２在ＣＮＮ的術(shù)語中，第一個(gè)參數(shù)（函數(shù)ｘ）叫做輸入，第二個(gè)參數(shù)（函數(shù)ｖｖ）叫核函數(shù)。輸出有時(shí)被稱為特征映射。逡逑如果把二維圖像／作為輸入，則也相應(yīng)的需要使用二維的核逡逑Ｓ（ｉ，ｊ）邋＝邋（／邋＊Ｋ）（ｉ，ｊ）邋＝邋＇ＺｍＩ．ｎＫｍ，ｎ）Ｋ（ｉ邋－ｍ，ｊ邋－ｎ）邐２卷積核在計(jì)算機(jī)視覺和圖像處理中被稱為“滑動(dòng)函數(shù)”，在信號(hào)處理中被稱為濾而且是線性濾波，即：輸出像素是輸入域像素的加權(quán)和。圖２－２演示了一個(gè)在二維量上的卷積運(yùn)算的例子。逡逑輸入邐逡逑

逡逑圖２－２描述的是輸入數(shù)據(jù)大小為４Ｘ４，卷積核大小為２Ｘ２。在進(jìn)行行列步長(zhǎng)均逡逑為１，不經(jīng)邊界填充的卷積計(jì)算的計(jì)算步驟。經(jīng)過計(jì)算，輸出數(shù)據(jù)大小為３Ｘ３。逡逑不同的卷積核有不同的功能，例如，下面五個(gè)卷積核可以對(duì)原始圖像分別進(jìn)行銳逡逑化（Ｓｈａｒｐｅｎ）、模糊（Ｂｌｕｒ）、邊緣增強(qiáng)（ＥｄｇｅＥｎｈａｎｃｅ）、邊緣檢測(cè)（ＥｄｇｅＤｅｔｅｃｔ）和逡逑凸印Ｉ邋（Ｅｍｂｏｓｓ）。逡逑■邋0邋－１邋0邋］邐ｒｉ邋ｉ邋１］邐ｒ－２邋－ｉ邋0＇逡逑Ｓｈａｒｐｅｎ邋＝邋—邋１邋５邋—１邋Ｂｌｕｒ邋—１１１邋Ｅｍｂｏｓｓ邋＝邋—邋１邋１邋１逡逑．０邋－１邋０邋Ｊ邋Ｌｌ邋１邋ｌＪ邐Ｌ邋０邋１２．逡逑■邋０邐０邋０］邐ｒｏ邋１邋Ｏ＇逡逑Ｅｄｇｅ邋Ｅｎｈａｎｃｅ邋＝—１１０邋Ｅｄｇｅ邋Ｄｅｔｅｃｔ邋＝１—４１逡逑．０邋０邋ｏＪ邐Ｌｏ邋１邋０．逡逑在實(shí)際圖像上應(yīng)用這五種卷積核做滑動(dòng)窗口卷積運(yùn)算，結(jié)果圖２－３所示：逡逑原圖邐銳化邐模糊逡逑Ｈｉ邋Ｈｉ邋ＷＭ．逡逑ＨＩ邋Ｉ邋＾邐Ｗ％逡逑邊緣增強(qiáng)邐邊緣檢測(cè)邐凸印逡逑圖２－３五種卷積核的實(shí)際直觀表現(xiàn)逡逑從神經(jīng)網(wǎng)絡(luò)的角度看，卷積運(yùn)算是通過三個(gè)重要的思想來幫助改進(jìn)機(jī)器學(xué)習(xí)系統(tǒng)逡逑的：逡逑１、稀疏交互（ｓｐａｒｓｅ邋ｉｎｔｅｒａｃｔｉｏｎｓ）逡逑在傳統(tǒng)的深度神經(jīng)網(wǎng)絡(luò)中，使用的僅僅是在感知機(jī)基礎(chǔ)上的深度網(wǎng)絡(luò)，每一層都逡逑是全連接的，例如：一個(gè)１００Ｘ１００的圖像可以表示為一個(gè)長(zhǎng)度為１００００的向量，如逡逑果在第一個(gè)隱藏層的節(jié)點(diǎn)數(shù)和輸入層一樣，那么需要的參數(shù)就達(dá)到了邋１００００Ｘ逡逑１５逡逑

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 胡悅;;金融市場(chǎng)中的神經(jīng)網(wǎng)絡(luò)拐點(diǎn)預(yù)測(cè)法[J];金融經(jīng)濟(jì);2017年18期

2 遲惠生;陳珂;;1995年世界神經(jīng)網(wǎng)絡(luò)大會(huì)述評(píng)[J];國際學(xué)術(shù)動(dòng)態(tài);1996年01期

3 吳立可;;脈沖神經(jīng)網(wǎng)絡(luò)和行為識(shí)別[J];通訊世界;2018年12期

4 林嘉應(yīng);鄭柏倫;劉捷;;基于卷積神經(jīng)網(wǎng)絡(luò)的船舶分類模型[J];信息技術(shù)與信息化;2019年02期

5 俞頌華;;卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展與應(yīng)用綜述[J];信息通信;2019年02期

6 韓真;凱文·哈特尼特;;為神經(jīng)網(wǎng)絡(luò)的通用理論建造基石[J];世界科學(xué);2019年04期

7 鮑偉強(qiáng);陳娟;熊濤;;基于進(jìn)化神經(jīng)網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測(cè)研究[J];電工技術(shù);2019年11期

8 陳曉燕;;淺析簡(jiǎn)單神經(jīng)網(wǎng)絡(luò)的發(fā)展及簡(jiǎn)單模型[J];數(shù)字技術(shù)與應(yīng)用;2019年05期

9 王麗華;楊秀萍;王皓;高崢翔;;智能雙輪平衡車的設(shè)計(jì)研究[J];數(shù)字技術(shù)與應(yīng)用;2018年04期

10 張庭略;;基于硬件的神經(jīng)網(wǎng)絡(luò)加速[J];通訊世界;2018年08期

相關(guān)會(huì)議論文 前10條

1 孫軍田;張U

本文編號(hào)：2777964