【摘要】：21世紀,癌癥依然是困擾著人們生活的一個嚴重問題。根據(jù)美國癌癥組織的調查報告,每年全世界將近180萬的新肺癌病例,以及160萬的肺癌致死人數(shù)。CT圖像是最常用的并且魯棒的成像技術之一,用于腫瘤的檢測、診斷和后續(xù)治療。通過基于X射線的吸收來可視化人體組織。放射科醫(yī)生可以根據(jù)腫瘤的密度和形態(tài)來評估其惡性程度,但是預測的可靠性高度依賴于醫(yī)生的經(jīng)驗,并且不同的放射科醫(yī)生可能做出不同的診斷。由于腫瘤之間復雜的關系,它的出現(xiàn)并不一定意味著癌癥的發(fā)生。在一些復雜的情況下,即使是有經(jīng)驗的放射科醫(yī)師也很難達成共識。因此,開發(fā)基于CT圖像的自動診斷系統(tǒng)來輔助醫(yī)生進行肺癌的判斷有著很大的必要�；谟嬎銠C視覺的模型可以在同一水平快速檢查肺部CT圖像,而且它們不受物理條件和精神狀態(tài)的影響。計算機輔助診斷(computer aided diagnosis,CAD)系統(tǒng)指的是利用成像技術、圖像分析方法配合大量的生物醫(yī)學技術,建立起穩(wěn)定可靠的機器學習模型,然后通過計算機的分析計算,輔助專業(yè)醫(yī)師判斷病人情況,以此改善機器模型的診斷結果。人工神經(jīng)網(wǎng)絡是醫(yī)學圖像分類中最常用的機器學習模型之一,它通過模仿人的大腦神經(jīng)元的工作機制,完成對信號的高度非線性處理。并且它具有自主改善、記憶、預測情況等多種優(yōu)秀的性質,所以能夠達到輔助醫(yī)生診斷的效果。針對醫(yī)學圖像分類以及癌癥診斷任務,基于人工神經(jīng)網(wǎng)絡的機器學習模型比傳統(tǒng)的方法(例如概率統(tǒng)計)表現(xiàn)出了更加優(yōu)秀和穩(wěn)定的性能。近些年,基于深度學習的圖像分類算法在各方面取得了引人注目的突破,這得益于開放的大規(guī)模注釋數(shù)據(jù)集(例如ImageNet)以及蓬勃發(fā)展的深度卷積神經(jīng)網(wǎng)絡(deep convolutional neural network,deep CNN)。對于數(shù)據(jù)驅動的學習算法來說,具有數(shù)據(jù)分布特征的注釋良好的大規(guī)模數(shù)據(jù)集對訓練更精確或者泛化的更好的模型至關重要。然而,由于數(shù)據(jù)采集困難,質量標注昂貴,目前沒有像ImageNet那樣大規(guī)模的注釋好的醫(yī)學圖像數(shù)據(jù)集。因此用于醫(yī)學圖像分類的機器學習模型更容易陷入過擬合問題,即網(wǎng)絡能夠在訓練樣本上擬合的非常好,但是它對于新的病例樣本的診斷表現(xiàn)非常差。本論文圍繞上述問題提出了相應的研究手段和解決辦法,并通過大量的實驗完成了對CAD系統(tǒng)中的關鍵算法的效果的驗證。通過大規(guī)模集成合適的不同結構的deep CNN模型能夠用于完成對CT圖像的診斷,實踐證明,集成后的網(wǎng)絡模型通過投票機制能夠表現(xiàn)出更加優(yōu)秀的診斷能力。最后在兩個公共醫(yī)學圖像數(shù)據(jù)庫上面驗證并對比了算法的性能,并對實驗結果進行了充分的分析。
【學位授予單位】：山東大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：R730.44;TP391.41
【圖文】：

邐山東大學碩士學位論文邐逡逑數(shù)據(jù)和計算能力。缺乏計算能力會導致需要大量的時間來訓練網(wǎng)絡，這取決于所逡逑使用的訓練數(shù)據(jù)規(guī)模的大小。其次，大多數(shù)的深度學習技術，如卷積神經(jīng)網(wǎng)絡需逡逑要帶標簽的數(shù)據(jù)完成有監(jiān)督的學習，而且缺乏專業(yè)知識導致人們很難完成對醫(yī)學逡逑圖像的手動標注。由于可用的計算能力越來越多、改進的數(shù)據(jù)存儲設備存儲量越逡逑來越大，更加高級的深層網(wǎng)絡的體系結構被開發(fā)和完善以克服過去存在的問題。逡逑

邐山東大學碩士學位論文邐逡逑數(shù)據(jù)和計算能力。缺乏計算能力會導致需要大量的時間來訓練網(wǎng)絡，這取決于所逡逑使用的訓練數(shù)據(jù)規(guī)模的大小。其次，大多數(shù)的深度學習技術，如卷積神經(jīng)網(wǎng)絡需逡逑要帶標簽的數(shù)據(jù)完成有監(jiān)督的學習，而且缺乏專業(yè)知識導致人們很難完成對醫(yī)學逡逑圖像的手動標注。由于可用的計算能力越來越多、改進的數(shù)據(jù)存儲設備存儲量越逡逑來越大，更加高級的深層網(wǎng)絡的體系結構被開發(fā)和完善以克服過去存在的問題。逡逑

－５的分類準確率被分別提高了邋１．４％和１．２％。逡逑ｔｏｎ等人［６３］認為ＬＲＮ層的設計是學習生物的神經(jīng)系統(tǒng)中的側抑制元的局部行為建立競爭行為，以此改善模型的泛化能力和實際出ＶＧＧ網(wǎng)絡的論文中，作者通過實驗正式了邋ＬＲＮ層在ＣＮＮ中僅帶來了計算量的提高。逡逑ＧＮｅｔ逡逑ＧＮｅｔ是于２０１４年被牛津大學計算機視覺實驗室和Ｄｅｅｐ邋Ｍｉｎｄ小ｄｅｅｐ邋ＣＮＮ網(wǎng)絡模型。ＶＧＧＮｅｔ統(tǒng)計六種結構，包含各種不同層小的網(wǎng)絡，如圖２－４所示。由Ａ到Ｅ的每種網(wǎng)絡結構中都包含每個卷積層都設置３ｘ３大小的卷積核，操作方法如圖２－５所示。ａｘ－ｐｏｏｌｉｎｇ層被用在卷積層后面進行特征圖的降維，最后連接三分類結果。在訓練復雜的神經(jīng)網(wǎng)絡之前，需要首先訓練簡單的網(wǎng)的權重去初始化復雜網(wǎng)絡并進一步訓練。逡逑ＣｃｍｖＮｅｔ邋Ｃｏｎｆｉｇｕｒａｔｉｏｎ邐ｊ逡逑Ａ邐Ｉ邐Ａ－ＬｆｅＫ４邐Ｉｂ＂邋ｔＷＫ邐１逡逑

【相似文獻】

相關期刊論文 前10條

1 胡悅;;金融市場中的神經(jīng)網(wǎng)絡拐點預測法[J];金融經(jīng)濟;2017年18期

2 遲惠生;陳珂;;1995年世界神經(jīng)網(wǎng)絡大會述評[J];國際學術動態(tài);1996年01期

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

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

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

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

7 鮑偉強;陳娟;熊濤;;基于進化神經(jīng)網(wǎng)絡的短期電力負荷預測研究[J];電工技術;2019年11期

8 陳曉燕;;淺析簡單神經(jīng)網(wǎng)絡的發(fā)展及簡單模型[J];數(shù)字技術與應用;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計研究[J];數(shù)字技術與應用;2018年04期

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

相關會議論文 前10條

1 孫軍田;張U

本文編號：2782318