在癌癥治療過程中,對腫瘤進(jìn)行早期的準(zhǔn)確診斷、定位、識別是對其進(jìn)行后續(xù)治療的關(guān)鍵。本文圍繞乳腺癌的檢測精度與速度,對深度學(xué)習(xí)技術(shù)在數(shù)字病理圖像的乳腺癌檢測中的分割精度和效率進(jìn)行系統(tǒng)的分析和研究,并且提出多分辨率結(jié)合的全片預(yù)測,實(shí)現(xiàn)數(shù)字化乳腺組織全切片的病變區(qū)域診斷,為人工閱片提供計(jì)算機(jī)輔助診斷,論文的主要研究工作有以如下幾點(diǎn):1、針對Unet分割精度低問題,提出了AC-Unet分割模型,在傳統(tǒng)分割模型Unet基礎(chǔ)上進(jìn)行3點(diǎn)改進(jìn):1)減少池化層,減緩小像素目標(biāo)的丟失;2)編碼階段引入空洞卷積,增大網(wǎng)絡(luò)的感受野,提升分割精度;3)引入ResNet網(wǎng)絡(luò)中的類殘差結(jié)構(gòu)與特征融合方式,強(qiáng)化語義特征信息。對改進(jìn)模型進(jìn)行實(shí)驗(yàn)結(jié)果分析,相對于其他方法的Unet模型、TernausNet模型,AC-Unet模型取得了較好的效果,mIoU值分別提升了10.5%和8.81%。2、針對分割模型實(shí)際運(yùn)用時(shí)分割效率問題,提出一種具有高效率的DS-AC-Unet分割模型,在高精度的分割模型AC-Unet基礎(chǔ)上進(jìn)行3點(diǎn)改進(jìn):1)引入深度可分離卷積,優(yōu)化網(wǎng)絡(luò)參數(shù),提升模型運(yùn)行速度;2)在空洞卷積層后加入BN層,加快模型的... 

【文章來源】：華僑大學(xué)福建省

【文章頁數(shù)】：72 頁

【學(xué)位級別】：碩士

【部分圖文】：

深度學(xué)習(xí)助力醫(yī)學(xué)圖像

第1章緒論51.2.2基于卷積神經(jīng)的語義分割研究現(xiàn)狀1943年心理學(xué)家McCulloch和數(shù)學(xué)邏輯學(xué)家Pitts建立最早的神經(jīng)網(wǎng)絡(luò)MP模型[19]。Hebb在1949年，對生物神經(jīng)網(wǎng)絡(luò)提出了學(xué)習(xí)的思想[20]，在1958年，感知器模型及其學(xué)習(xí)算法被Rosenblantt提出[21]，到了20世紀(jì)八十年代，感知機(jī)模型引發(fā)了神經(jīng)網(wǎng)絡(luò)的重生[22]，最受研究者歡迎的模型包括：Hopfied神經(jīng)網(wǎng)絡(luò)[23]、玻爾茲曼機(jī)(RBM)[24]和多層感知機(jī)(MLP)[25]，多層感知機(jī)最早是通過數(shù)據(jù)的分組訓(xùn)練[26]，一種由多層節(jié)點(diǎn)相有向圖構(gòu)成的前饋的神經(jīng)網(wǎng)絡(luò)相構(gòu)成多層感知機(jī)[27]。圖像分割與目標(biāo)檢測等其他圖像處理領(lǐng)域是由卷積神經(jīng)網(wǎng)絡(luò)從最初被設(shè)計(jì)出來圖像分類的網(wǎng)絡(luò)發(fā)展而來，只是被后續(xù)的研究通過修改卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)將其拓展到如今蓬勃發(fā)展的趨勢。深度學(xué)習(xí)模型的輸入數(shù)據(jù)是未經(jīng)過任何人工處理過的原始樣本形式，再通過堆疊在輸入層上眾多操作層對數(shù)據(jù)進(jìn)行處理。卷積層堆疊操作整體可看作一個(gè)復(fù)雜的函數(shù)fCNN，深度模型的訓(xùn)練則在最終損失函數(shù)的損失值的驅(qū)動下對模型進(jìn)行參數(shù)更新，還將誤差反向傳播[28]，由損失函數(shù)由數(shù)據(jù)損失和數(shù)據(jù)的正則化損失共同組成至整個(gè)網(wǎng)絡(luò)層。卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程可以簡單抽象為從原始數(shù)據(jù)向數(shù)據(jù)標(biāo)簽的進(jìn)行擬合，中間的這些運(yùn)算部件起到了將原始數(shù)據(jù)映射為相關(guān)的語義特征，再映射為標(biāo)記樣本的作用。卷積神經(jīng)網(wǎng)絡(luò)基本流程框圖如下圖1-2所示：圖1-2卷積神經(jīng)網(wǎng)絡(luò)基本流程圖

華僑大學(xué)碩士學(xué)位論文6基于卷積神經(jīng)網(wǎng)絡(luò)算法在物體識別和分類領(lǐng)域效果卓越，將圖像的分類思想運(yùn)用于對圖像中的目標(biāo)進(jìn)行像素級別分類，也就是如今的語義分割。醫(yī)學(xué)圖像太大而且難以處理，早期的工作方向是通過對整張輸入圖像進(jìn)行滑動窗口切片。基于卷積神經(jīng)網(wǎng)絡(luò)的語義分割模型的目標(biāo)就是通過自頂向下的方式得到一個(gè)深度學(xué)習(xí)模型，基于卷積神經(jīng)網(wǎng)絡(luò)的語義分割模型能夠?qū)斎雸D像中的每一個(gè)像素準(zhǔn)確預(yù)測，經(jīng)過模型測試后可將每一個(gè)像素進(jìn)行預(yù)測出一個(gè)具有語義的像素標(biāo)簽，預(yù)測出的像素標(biāo)簽中的每一個(gè)顏色對應(yīng)一個(gè)類別，語義分割其流程圖如圖1-3所示。圖1-3語義分割流程圖在2015年，全卷積神經(jīng)網(wǎng)絡(luò)（FullyConvolutionNetwork,FCN）語義分割模型[29]被提出以來，如圖1-4所示。該方法的強(qiáng)大的優(yōu)勢讓人們重新定義了語義分割。過去人們對于圖像的語義分割的認(rèn)識只有區(qū)域級別的聚類，到現(xiàn)在深度學(xué)習(xí)技術(shù)的發(fā)展轉(zhuǎn)變成了像素級別的分類。一般來說如今出現(xiàn)的基于卷積神經(jīng)網(wǎng)絡(luò)模型的語義分割算法都是基于FCN模型改進(jìn)和演化的產(chǎn)物�；谶w移學(xué)習(xí)的FCN來完成語義分割任務(wù)，這種方法使用VGG16[30]作為特征提取器，去掉了VGG16中最后的池化層以及全連接層，并使用VGG16中32


本文編號：2966018