病理圖像診斷是醫(yī)學(xué)圖像分析領(lǐng)域的一個重要課題。傳統(tǒng)的人工診斷方法需要醫(yī)生投入大量的時間,還容易因其主觀因素影響診斷結(jié)果。為了緩解醫(yī)生的壓力,人們開始研究用計算機來輔助醫(yī)生進行細胞診斷。病變與健康的細胞主要表現(xiàn)為形態(tài)上的差異,所以提取準確的細胞形態(tài)特征是實現(xiàn)細胞診斷的關(guān)鍵。本文以卷積神經(jīng)網(wǎng)絡(luò)作為特征提取工具,通過結(jié)合集成學(xué)習(xí)和多尺度圖像分析理論,設(shè)計了兩種病理圖像的自動診斷模型。本文首先對病理圖像診斷的研究現(xiàn)狀進行了總結(jié),然后介紹了卷積神經(jīng)網(wǎng)絡(luò)的基本理論知識及研究現(xiàn)狀,最后介紹了集成學(xué)習(xí)算法與圖像多尺度分析的理論內(nèi)容與應(yīng)用場景。本文將卷積神經(jīng)網(wǎng)絡(luò)與集成學(xué)習(xí)相結(jié)合,提出一種基于增強卷積網(wǎng)絡(luò)的病理圖像診斷算法。該算法使用兩個異構(gòu)的卷積神經(jīng)網(wǎng)絡(luò)來提取細胞的特征,其中兩個網(wǎng)絡(luò)分別為基本網(wǎng)絡(luò)與增強網(wǎng)絡(luò),基本網(wǎng)絡(luò)用于預(yù)測細胞患病的概率,增強網(wǎng)絡(luò)對基本網(wǎng)絡(luò)的預(yù)測結(jié)果進行修正。由于可用于訓(xùn)練的病理圖像數(shù)量有限,網(wǎng)絡(luò)訓(xùn)練過程中容易產(chǎn)生過擬合,所以本文對訓(xùn)練圖像進行了擴充,并在基本網(wǎng)絡(luò)中加入了其對基本圖像與擴充圖像的輸出值的一致性約束�；诰矸e神經(jīng)網(wǎng)絡(luò)與圖像多尺度分析理論,本文設(shè)計了一種多尺度壓縮獎懲網(wǎng)絡(luò)的... 

【文章來源】：天津大學(xué)天津市 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：66 頁

【學(xué)位級別】：碩士

【部分圖文】：

GoogleNet網(wǎng)絡(luò)多尺度學(xué)習(xí)的結(jié)構(gòu)示意圖

天津大學(xué)碩士學(xué)位論文10本文研究內(nèi)容結(jié)構(gòu)示意圖。圖1-2本文研究內(nèi)容示意圖1.4本文組織結(jié)構(gòu)第一章為緒論，概括了病理圖像研究的意義及研究現(xiàn)狀，并總結(jié)了深度卷積網(wǎng)絡(luò)的研究現(xiàn)狀。主要介紹了病理圖像研究的兩種常用方法，分別為稀疏編碼算法和深度卷積網(wǎng)絡(luò)算法。此外，還介紹了集成學(xué)習(xí)基本知識與發(fā)展現(xiàn)狀。最后簡單總結(jié)了圖像多尺度技術(shù)的研究現(xiàn)狀。第二章主要對深度卷積網(wǎng)絡(luò)的基本理論、集成學(xué)習(xí)理論以及多尺度圖像分析理論進行了介紹。其中針對深度卷積網(wǎng)絡(luò)介紹了其發(fā)展基儲結(jié)構(gòu)組成與常用的模型。其次概述了常用的幾種集成學(xué)習(xí)算法和多尺度分析的基本理論。第三章基于深度卷積網(wǎng)絡(luò)與集成學(xué)習(xí)理論，介紹了一種基于增強卷積網(wǎng)絡(luò)的病理圖像診斷算法，實現(xiàn)對病理圖像的圖像塊級、圖像級的分類和對病變區(qū)域的定位。本章對該算法的模型構(gòu)建、訓(xùn)練過程及后處理過程進行了詳細描述，并對實驗結(jié)果進行了簡要分析。第四章將深度卷積網(wǎng)絡(luò)與圖像多尺度分析相結(jié)合，提出一種基于多尺度壓縮獎懲網(wǎng)絡(luò)的病理圖像識別算法。本章對該算法的模型的構(gòu)建原理與訓(xùn)練過程進行了介紹，并通過實驗表明了該算法對病理圖像識別的性能。第五章對本文的工作進行了概括總結(jié)，并對以后的研究工作做了展望。

天津大學(xué)碩士學(xué)位論文12堆疊而成的多層次模型，其中所有的組成結(jié)構(gòu)互相輔助，以提升網(wǎng)絡(luò)的特征提取能力。以實現(xiàn)病理圖像診斷的卷積神經(jīng)網(wǎng)絡(luò)為例，本文簡單介紹卷積神經(jīng)網(wǎng)絡(luò)的組成，其結(jié)構(gòu)示意圖如圖2-1所示。圖2-1卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖卷積層中的卷積核能夠通過多個卷積操作，提取輸入樣本的局部區(qū)域的高級語義信息。在卷積過程中，圖像的所有像素點共享每個卷積核的參數(shù)，相比于普通神經(jīng)網(wǎng)絡(luò)來說，不僅大大減少了網(wǎng)絡(luò)參數(shù)量，還利用了圖像的不同局部區(qū)域之間的相關(guān)信息，更具有優(yōu)越性。每個卷積層后設(shè)有激活函數(shù)對卷積后的值進行非線性激活，使網(wǎng)絡(luò)能夠?qū)W習(xí)到樣本的非線性抽象特征，可以解決復(fù)雜的問題。池化層用于對卷積得到的特征進行降維，以減少數(shù)據(jù)量。此外，池化的一個重要作用是使網(wǎng)絡(luò)可以識別具有相同語義的不同尺度和形態(tài)的目標。由于拍攝視角的不同和事物的狀態(tài)變化多樣，具有相同語義的事物在圖像中會顯示出不同的尺寸和形態(tài)。實現(xiàn)目標檢測等任務(wù)時，需要將相同事物準確的識別出來。池化操作具有尺度不變性，在降維的過程中，會保留下尺度不變的樣本本質(zhì)屬性，即使對尺度、形狀變化的目標，依舊可以準確檢測出來，是卷積神經(jīng)網(wǎng)絡(luò)中必不可少的一部分。全連接層經(jīng)常作用于卷積神經(jīng)網(wǎng)絡(luò)的輸出部分，將卷積層學(xué)到的高維特征映射到低維樣本標記空間，輸出對樣本的預(yù)測值。然而，全連接層首先需要將高維特征拉伸為低維向量，此拉伸操作會破壞特征的空間信息，所以卷積神經(jīng)網(wǎng)絡(luò)開始使用全卷積層取代全連接層，在實現(xiàn)標記空間映射的同時保留特征的空間信息。卷積神經(jīng)網(wǎng)絡(luò)通過學(xué)習(xí)輸入樣本的數(shù)據(jù)分布來提取樣本特征。但是當(dāng)輸入數(shù)據(jù)分布發(fā)生變化時，網(wǎng)絡(luò)需要調(diào)整參數(shù)以適應(yīng)數(shù)據(jù)的分布，造成網(wǎng)絡(luò)訓(xùn)練時間長甚至不收斂。為了解決

【參考文獻】：
期刊論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)和遷移學(xué)習(xí)的乳腺癌病理圖像分類[J]. 鄭群花,段慧芳,沈堯,劉娟,袁靜萍.  計算機應(yīng)用與軟件. 2018(07)
[2]基于專家乘積系統(tǒng)的組織病理圖像分類算法[J]. 郭琳琳,李岳楠.  激光與光電子學(xué)進展. 2018(02)
[3]壓縮感知理論及其研究進展[J]. 石光明,劉丹華,高大化,劉哲,林杰,王良君.  電子學(xué)報. 2009(05)



本文編號：3011854