小兒肺炎的癥狀和體征在早期并不十分明顯,而且該疾病容易和其他疾病混淆,因而針對(duì)肺炎的快速檢測(cè)和診斷在提高患兒的存活率和生活質(zhì)量方面具有重要意義。作為兒科肺炎的常用檢測(cè)手段,胸部X線檢查可以幫助醫(yī)生觀察胸部的結(jié)構(gòu)和器官。然而,由于醫(yī)療資源分配的不平衡,我國(guó)各級(jí)醫(yī)院兒科醫(yī)生的醫(yī)學(xué)影像診斷經(jīng)驗(yàn)以及知識(shí)儲(chǔ)備相差較大。此外,五歲以下的幼童在胸片投照時(shí)難以自覺配合醫(yī)生的指示,與成人相比,兒童胸片的成像質(zhì)量會(huì)相對(duì)較差。這些因素對(duì)當(dāng)前的人工診斷結(jié)果的可靠性和穩(wěn)定性造成了十分不利的影響。有鑒于此,為了分擔(dān)兒科醫(yī)生的工作壓力,提高醫(yī)生分析臨床醫(yī)學(xué)影像的效率和質(zhì)量,開發(fā)一種基于X光胸片的兒科肺炎計(jì)算機(jī)輔助診斷系統(tǒng)就顯得尤為重要。隨著深度學(xué)習(xí)算法在計(jì)算機(jī)視覺領(lǐng)域不斷取得突破性的進(jìn)展,研究人員開始拓展這種人工智能算法在醫(yī)學(xué)圖像分析領(lǐng)域的應(yīng)用。然而大部分的深度學(xué)習(xí)算法僅僅關(guān)注于精度的提升,忽略了醫(yī)療檢測(cè)設(shè)備對(duì)于計(jì)算能力和內(nèi)存空間的限制,這對(duì)于深度學(xué)習(xí)相關(guān)技術(shù)在醫(yī)療診斷領(lǐng)域的產(chǎn)品化應(yīng)用帶來了較大的挑戰(zhàn)。本文基于上述存在的問題,提出了一種具有較小規(guī)模的應(yīng)用于兒科肺炎輔助診斷任務(wù)的深度學(xué)習(xí)算法,通過該算法將兒童X光胸片... 

【文章來源】：華僑大學(xué)福建省

【文章頁數(shù)】：74 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

典型的神經(jīng)網(wǎng)絡(luò)體系結(jié)構(gòu)

13前一層的輸出特征圖。在卷積神經(jīng)網(wǎng)絡(luò)的各卷積層中，卷積是一種線性操作，是在輸入數(shù)據(jù)和二維權(quán)重?cái)?shù)組之間進(jìn)行的矩陣乘法，而這種二維權(quán)重?cái)?shù)組也被稱為濾波器或卷積核。具體而言，卷積操作涉及將輸入數(shù)據(jù)與卷積核在一定區(qū)域內(nèi)執(zhí)行對(duì)應(yīng)元素相乘后求和以形成變換后的特征圖。一個(gè)卷積層包含了一組濾波器，其參數(shù)需要通過反向傳播算法進(jìn)行更新。卷積操作示例如圖2.2所示，當(dāng)步長(zhǎng)為1時(shí)，濾波器在輸入特征圖上滑動(dòng)，并且在每個(gè)空間位置計(jì)算當(dāng)前輸入圖像區(qū)域和濾波器之間的矩陣乘積并求和。對(duì)于每一個(gè)輸出特征圖，所有神經(jīng)元共享相同的權(quán)重參數(shù)（圖2.2中的左邊紅色部分）。圖2.2卷積操作示例卷積濾波器相當(dāng)于原始輸入圖像的特征檢測(cè)器，通過簡(jiǎn)單地調(diào)整濾波器參數(shù)值，可以實(shí)現(xiàn)諸如邊緣檢測(cè)、銳化、模糊等功能，這意味著不同的濾波器可以從圖片中檢測(cè)出不同的特征（如邊緣，曲線等）。由于每個(gè)濾波器的尺寸被設(shè)計(jì)為小于輸入圖像，因此卷積層輸出特征映射中的每個(gè)神經(jīng)元僅連接到輸入矩陣數(shù)組的局部區(qū)域，并且每個(gè)神經(jīng)元的感受野等于濾波器大校卷積層的這種局部連接特性能夠保證參數(shù)更新后的卷積濾波器最大限度地響應(yīng)輸入特征圖的局部區(qū)域，從而有效的利用輸入數(shù)據(jù)在空間維度上的局部相關(guān)性（對(duì)于輸入圖像，像素與附近像素的相關(guān)性遠(yuǎn)大于遠(yuǎn)距離像

14素）。并且隨著研究的深入，越來越多的卷積的變體被提出以用于執(zhí)行特定任務(wù)，這些特殊的卷積有轉(zhuǎn)置卷積、可分離卷積、擴(kuò)張卷積、可變形卷積等。2.3.2池化層池化層是卷積神經(jīng)網(wǎng)絡(luò)的另一個(gè)構(gòu)建塊，其也被稱為子采樣層。池化層的功能是提取特征，并逐漸減小特征表示的空間大小，以減少網(wǎng)絡(luò)中的參數(shù)數(shù)量和模型計(jì)算量[57]，不過這種方式也會(huì)造成對(duì)輸入數(shù)據(jù)的信息損失。池化操作可以采用諸如最大值池化、平均值池化等形式來實(shí)現(xiàn)。池化層的最常見形式是最大值池化層，如圖2.3所示，輸入特征圖通過最大值池化可以從特定區(qū)域選擇最大值作為輸出值。圖2.3最大值池化操作示例根據(jù)圖2.3中的最大值池化操作示例，可以了解到池化操作后得到的特征圖相比于輸入數(shù)據(jù)來說，其維度降低了。這也在一方面表明，池化操作相當(dāng)于一種“降采樣”的操作；在另一方面，池化操作在導(dǎo)致圖像空間分辨率降低的同時(shí)，也會(huì)增加卷積神經(jīng)網(wǎng)絡(luò)模型的感受野。綜上所述，在卷積神經(jīng)網(wǎng)絡(luò)過去的工作中，池化層主要有如下三種主要作用：（1）特征不變性。池化操作使深度模型更加關(guān)注于特征信息本身，并弱化其對(duì)于特征信息具體位置或方向的敏感度。這種方式使深度模型提取的特征具有某種程度的自由度，能夠保持一定程度的對(duì)輸入數(shù)據(jù)的平移、旋轉(zhuǎn)、尺度不變性。（2）特征降維。池化操作能夠顯著降低輸入特征圖的空間分辨率，因而具

【參考文獻(xiàn)】：
期刊論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的肺炎檢測(cè)系統(tǒng)[J]. 周進(jìn)凡,劉宇紅,張榮芬,馬治楠,葛自立,林付春.  現(xiàn)代電子技術(shù). 2019(23)
[2]基于深度殘差網(wǎng)絡(luò)的冠狀動(dòng)脈CT血管造影圖像斑塊的識(shí)別算法研究[J]. 吳柯薇,白玫.  中國(guó)醫(yī)學(xué)裝備. 2019(11)
[3]基于改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)LeNet-5乳腺疾病診斷方法[J]. 趙京霞,錢育蓉,張猛,杜嬌.  東北師大學(xué)報(bào)(自然科學(xué)版). 2019(02)
[4]遷移學(xué)習(xí)研究和算法綜述[J]. 劉鑫鵬,欒悉道,謝毓湘,黃明哲.  長(zhǎng)沙大學(xué)學(xué)報(bào). 2018(05)
[5]兒童社區(qū)獲得性肺炎智能輔助診斷系統(tǒng)的設(shè)計(jì)[J]. 趙瓊姝,邰雋,趙順英,謝向輝,倪鑫.  中國(guó)衛(wèi)生信息管理雜志. 2018(04)
[6]基于肺部PET/CT圖像不同紋理特征的K最近鄰分類器[J]. 馬圓,田思佳,馮巍,梁志剛,崔春蕾,郭秀花.  北京生物醫(yī)學(xué)工程. 2018(01)
[7]遷移學(xué)習(xí)研究進(jìn)展[J]. 莊福振,羅平,何清,史忠植.  軟件學(xué)報(bào). 2015(01)
[8]兒童重癥社區(qū)獲得性肺炎病毒學(xué)檢測(cè)和危險(xiǎn)因素分析[J]. 丁小芳,張兵,鐘禮立,肖霓光,周瓊?cè)A,段招軍,謝志平,高寒春.  中國(guó)當(dāng)代兒科雜志. 2012(06)
[9]基于對(duì)比度受限自適應(yīng)直方圖均衡的乳腺圖像增強(qiáng)[J]. 劉軒,劉佳賓.  計(jì)算機(jī)工程與應(yīng)用. 2008(10)

碩士論文
[1]基于模糊C均值聚類的肺結(jié)節(jié)圖像分割算法研究[D]. 程金鳳.河南工業(yè)大學(xué) 2019
[2]混合核SVM算法在肺結(jié)節(jié)識(shí)別中的應(yīng)用[D]. 朱景濤.長(zhǎng)春工業(yè)大學(xué) 2018
[3]基于滑動(dòng)窗口和高斯SVM的脈搏信號(hào)處理與肺癌識(shí)別[D]. 張智超.濟(jì)南大學(xué) 2018
[4]基于模糊C均值聚類的肺結(jié)節(jié)分割研究[D]. 李昌燃.浙江師范大學(xué) 2018



本文編號(hào)：3115013