近幾年來聲帶小結(jié)和聲帶息肉的發(fā)病率日趨增高,兩者的影像表現(xiàn)相似,但是成因和治療方法不同,最重要的是聲帶息肉的癌變率也在逐年增高,因此正確區(qū)分聲帶小結(jié)和聲帶息肉有著重要的意義。本文從聲帶圖像采集和聲帶圖像處理兩個方面切入,設(shè)計并實現(xiàn)聲帶病灶輔助診斷系統(tǒng)。在聲帶圖像采集方面,深入調(diào)研了現(xiàn)有市面上的視頻喉鏡,并針對其存在的缺陷,設(shè)計并實現(xiàn)了基于WiFi的無線高清視頻喉鏡系統(tǒng)。系統(tǒng)提高視頻分辨率至640*480,并且能夠?qū)崟r傳輸,傳輸時延控制在200ms左右;采用無線傳輸,既能減小喉鏡手柄體積,又能方便醫(yī)生操作;采用數(shù)字傳輸,方便后期聲帶圖像數(shù)據(jù)的存儲和處理。在聲帶圖像處理方面,基于傳統(tǒng)淺層學(xué)習(xí)和深度學(xué)習(xí)算法在CAD應(yīng)用的對比,選擇能直接從訓(xùn)練數(shù)據(jù)集中提取特征,減少人工干預(yù)的深度學(xué)習(xí)算法應(yīng)用于本系統(tǒng),并調(diào)研了深度學(xué)習(xí)算法的發(fā)展歷史及其在醫(yī)學(xué)圖像領(lǐng)域的應(yīng)用情況。以聲帶圖像為研究對象,利用深度學(xué)習(xí)算法構(gòu)建一種基于卷積神經(jīng)網(wǎng)絡(luò)的聲帶病灶輔助診斷系統(tǒng),采用了在醫(yī)學(xué)圖像處理方面有獨特優(yōu)越性的AlexNet模型,使用數(shù)據(jù)增強和遷移學(xué)習(xí)的方法,解決聲帶圖像數(shù)據(jù)集數(shù)量較小與深度卷積神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練需要大量數(shù)據(jù)... 

【文章頁數(shù)】：80 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 課題研究背景與意義
    1.2 研究現(xiàn)狀及趨勢
        1.2.1 視頻喉鏡發(fā)展現(xiàn)狀和趨勢
        1.2.2 基于深度學(xué)習(xí)的聲帶圖像病灶診斷研究現(xiàn)狀和趨勢
    1.3 論文的研究內(nèi)容及結(jié)構(gòu)安排
        1.3.1 本文的研究內(nèi)容
        1.3.2 本文的結(jié)構(gòu)安排
第二章 WiFi網(wǎng)絡(luò)視頻喉鏡系統(tǒng)架構(gòu)及關(guān)鍵技術(shù)簡介
    2.1 WiFi網(wǎng)絡(luò)視頻喉鏡系統(tǒng)基本架構(gòu)
    2.2 關(guān)鍵技術(shù)簡介
        2.2.1 操作系統(tǒng)
        2.2.2 視頻信號采集技術(shù)
        2.2.3 無線傳輸技術(shù)
        2.2.4 流媒體處理技術(shù)
    2.3 WiFi網(wǎng)絡(luò)視頻喉鏡硬件子系統(tǒng)簡介
        2.3.1 視頻喉鏡手柄硬件架構(gòu)
        2.3.2 圖像采集模塊電路設(shè)計
        2.3.3 無線發(fā)送模塊電路設(shè)計
        2.3.4 電源模塊電路設(shè)計
    2.4 WiFi網(wǎng)絡(luò)視頻喉鏡軟件子系統(tǒng)簡介
        2.4.1 系統(tǒng)軟件架構(gòu)
        2.4.2 視頻信號采集實現(xiàn)
        2.4.3 H.264硬編碼實現(xiàn)
        2.4.4 CC3100無線傳輸實現(xiàn)
    2.5 WiFi網(wǎng)絡(luò)視頻喉鏡系統(tǒng)測試
        2.5.1 測試平臺
        2.5.2 測試結(jié)果
    2.6 本章小結(jié)
第三章 聲帶病灶及深度學(xué)習(xí)算法的簡介
    3.1 聲帶病灶簡介
        3.1.1 聲帶正常影像表現(xiàn)
        3.1.2 聲帶小結(jié)影像表現(xiàn)
        3.1.3 聲帶息肉影像表現(xiàn)
    3.2 深度學(xué)習(xí)的簡介
    3.3 卷積神經(jīng)網(wǎng)絡(luò)簡介
        3.3.1 卷積神經(jīng)網(wǎng)絡(luò)的優(yōu)勢
        3.3.2 卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)
    3.4 本章小結(jié)
第四章 聲帶病灶輔助診斷系統(tǒng)的技術(shù)研究
    4.1 聲帶病灶輔助診斷系統(tǒng)的架構(gòu)
    4.2 數(shù)據(jù)預(yù)處理
    4.3 模型訓(xùn)練
        4.3.1 AlexNet模型簡介
        4.3.2 基于AlexNet的模型訓(xùn)練
        4.3.3 預(yù)訓(xùn)練
    4.4 模型驗證
    4.5 本章小結(jié)
第五章 系統(tǒng)測試與性能分析
    5.1 系統(tǒng)測試環(huán)境與數(shù)據(jù)
    5.2 聲帶病灶診斷系統(tǒng)測試方案和評價方法
        5.2.1 交叉驗證
        5.2.2 交叉驗證接受者操作特性曲線分析
    5.3 系統(tǒng)測試結(jié)果及性能分析
        5.3.1 分類準(zhǔn)確率的驗證與分析
        5.3.2 實驗結(jié)果ROC分析
    5.4 本章小結(jié)
第六章 總結(jié)與展望
    6.1 工作總結(jié)
    6.2 未來展望
參考文獻
攻讀碩士學(xué)位期間的研究工作及成果
致謝


【參考文獻】：
期刊論文
[1]電子喉鏡下治療聲帶息肉療效觀察[J]. 林品香,潘小春,高燕.  中國衛(wèi)生標(biāo)準(zhǔn)管理. 2018(01)
[2]人工智能成熱潮,嵌入式如何分杯羹?[J]. 本刊編輯部.  單片機與嵌入式系統(tǒng)應(yīng)用. 2017(07)
[3]基于增強AlexNet的深度學(xué)習(xí)的阿爾茨海默病的早期診斷[J]. 呂鴻蒙,趙地,遲學(xué)斌.  計算機科學(xué). 2017(S1)
[4]基于深度學(xué)習(xí)和醫(yī)學(xué)圖像的癌癥計算機輔助診斷研究進展[J]. 陳詩慧,劉維湘,秦璟,陳亮亮,賓果,周煜翔,汪天富,黃炳升.  生物醫(yī)學(xué)工程學(xué)雜志. 2017(02)
[5]基于卷積神經(jīng)網(wǎng)絡(luò)的商品圖像分類研究[J]. 匡青.  軟件導(dǎo)刊. 2017(02)
[6]智能家居無線通訊網(wǎng)絡(luò)的適用性研究[J]. 宋艷玉,彭詩朦.  科技視界. 2016(03)
[7]深度學(xué)習(xí)的昨天、今天和明天[J]. 余凱,賈磊,陳雨強,徐偉.  計算機研究與發(fā)展. 2013(09)
[8]深度學(xué)習(xí)研究綜述[J]. 孫志軍,薛磊,許陽明,王正.  計算機應(yīng)用研究. 2012(08)
[9]交叉驗證在數(shù)據(jù)建模模型選擇中的應(yīng)用[J]. 王懷亮.  商業(yè)經(jīng)濟. 2011(10)
[10]鋰電池及其保護電路和充電器[J]. 華元欽.  中國自行車. 2008(01)

碩士論文
[1]卷積神經(jīng)網(wǎng)絡(luò)圖像分類應(yīng)用研究[D]. 柯小龍.深圳大學(xué) 2017
[2]基于深度學(xué)習(xí)算法的主動脈瘤CT影像分割技術(shù)研究[D]. 隋曉丹.山東師范大學(xué) 2017
[3]基于深度學(xué)習(xí)的圖像分類的研究[D]. 閆蕾芳.山東大學(xué) 2017
[4]基于卷積神經(jīng)網(wǎng)絡(luò)的圖像識別方法研究[D]. 段萌.鄭州大學(xué) 2017
[5]基于卷積神經(jīng)網(wǎng)絡(luò)的肺部腫瘤PET/CT計算機輔助診斷研究[D]. 王媛媛.寧夏醫(yī)科大學(xué) 2017
[6]基于深度學(xué)習(xí)的復(fù)雜光照條件下人臉識別技術(shù)研究[D]. 常云翔.沈陽航空航天大學(xué) 2017
[7]基于改進卷積神經(jīng)網(wǎng)絡(luò)算法的研究與應(yīng)用[D]. 王飛飛.南京郵電大學(xué) 2016
[8]基于遷移學(xué)習(xí)的手術(shù)圖像內(nèi)容識別[D]. 張懷志.山東大學(xué) 2016
[9]基于深度學(xué)習(xí)的水果圖像識別算法研究[D]. 王前程.河北大學(xué) 2016
[10]嵌入式Linux操作系統(tǒng)安全性研究[D]. 李景煒.西安電子科技大學(xué) 2015



本文編號：3698545