肺結(jié)核病是世界上死亡率最高的傳染病之一,早期的發(fā)現(xiàn)和診斷是治療結(jié)核病的關(guān)鍵步驟。為了使快速準(zhǔn)確的自動診斷成為可能,大量研究人員致力于開發(fā)智能化的計算機(jī)輔助檢測系統(tǒng)幫助醫(yī)生進(jìn)行胸部X光片對肺結(jié)核病的診斷工作。這深度學(xué)習(xí)中的注意力機(jī)制仿照人類獲取信息的原理,對無關(guān)信息進(jìn)行了過濾,能夠很好地提升網(wǎng)絡(luò)的性能。本文針對胸部X光片,提出了改進(jìn)的深度卷積神經(jīng)網(wǎng)絡(luò),引入了注意力機(jī)制并研究了肺結(jié)核病的病灶檢測及分類算法。主要工作如下:（1）收集了來自吉林、廣州以及上海三家不同醫(yī)院門診的4990張胸部正位X光片肺結(jié)核數(shù)據(jù)集,其中不包含疾病的健康對照者圖像有1500張,感染肺結(jié)核病的圖像有2506張,非肺結(jié)核但可能患有其他肺部疾病的圖像有984張。預(yù)處理時進(jìn)行圖像通道改變、醫(yī)學(xué)圖像的格式轉(zhuǎn)換等操作以適應(yīng)后續(xù)運(yùn)算的輸入要求,最后采用雙線性插值算法統(tǒng)一圖像尺寸,以方便實(shí)驗和對照。（2）對CNN的結(jié)構(gòu)、注意力機(jī)制的原理以及基準(zhǔn)網(wǎng)絡(luò)ResNet進(jìn)行了研究,針對肺結(jié)核檢測任務(wù),構(gòu)建了一種基于注意力機(jī)制的深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)模型,并對注意力模塊進(jìn)行改進(jìn),使得模塊能夠很好地融合空間和通道間的特征。（3）將基于注意力機(jī)制的... 

【文章來源】：山東師范大學(xué)山東省

【文章頁數(shù)】：47 頁

【學(xué)位級別】：碩士

【部分圖文】：

人工智能概念中的卷積神經(jīng)網(wǎng)絡(luò)的維恩圖表示

山東師范大學(xué)碩士學(xué)位論文8構(gòu)有利于分層提取特征。即圖像經(jīng)過第一層卷積后可以提取到某些邊緣或顏色特征，經(jīng)過第二層卷積后可以得到某些形狀特征圖，不同層的卷積可以學(xué)習(xí)一部分圖像特征，最后一層卷積可輸出一定的概率或分?jǐn)?shù)。由于卷積神經(jīng)網(wǎng)絡(luò)可將網(wǎng)絡(luò)結(jié)構(gòu)堆疊的很深、結(jié)構(gòu)設(shè)計上更復(fù)雜，近年來的研究主要集中在提升模型的泛化性能和計算速度上，致力于設(shè)計能夠保證模型性能的輕量級的網(wǎng)絡(luò)。2.1.1卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)卷積神經(jīng)網(wǎng)絡(luò)是一種前饋神經(jīng)網(wǎng)絡(luò)[27]，包括一系列將圖像轉(zhuǎn)換為輸出類別分?jǐn)?shù)的層序列（圖2-2）。在計算時，兩層相鄰的神經(jīng)元以一定的方式相連接進(jìn)行信息的傳遞，而在同一層神經(jīng)元之間則是各自獨(dú)立的不存在連接途徑。構(gòu)建CNN層的主要類型有四種：卷積（Conv）層，池化（Pool）層，非線性層（ReLU）和完全連接（FC）層[28]。圖2-2用于圖像分類的典型卷積神經(jīng)網(wǎng)絡(luò)（CNN）架構(gòu)（1）卷積層。卷積層是卷積神經(jīng)網(wǎng)絡(luò)的基本組成單位，是由一系列神經(jīng)元排列組合而成的，它可以通過卷積運(yùn)算對輸入信息進(jìn)行一系列操作。卷積操作主要有三個獨(dú)特性質(zhì)幫助網(wǎng)絡(luò)進(jìn)行分析計算，即稀疏交互（sparseinteractions）、參數(shù)共享（parametersharing）和平移等變表示（equivariance）[29]。在深度卷積網(wǎng)絡(luò)中，輸入的信息可能通過多個傳播路徑、以不同的特征圖形式傳播到網(wǎng)絡(luò)深處的神經(jīng)元中，而稀疏連接體系結(jié)構(gòu)能夠有效地描述這種間接的多變量復(fù)雜交互。權(quán)重共享是卷積神經(jīng)網(wǎng)絡(luò)與常規(guī)人工神經(jīng)網(wǎng)絡(luò)的主要區(qū)別[30]。圖像是非常大的像素矩陣，如果參數(shù)共享的，那么網(wǎng)絡(luò)就只需學(xué)習(xí)一套參數(shù)集就可以將其用于圖像中的每一個像素的卷積運(yùn)算，從而減小網(wǎng)絡(luò)的計算量。從卷積層的角度出發(fā)，共享權(quán)重和偏置使得卷積計算的結(jié)果不受卷積層平移的影響。

山東師范大學(xué)碩士學(xué)位論文9網(wǎng)絡(luò)中的每一層卷積都由權(quán)重矩陣組成，也稱為濾波器[31]。在前向傳播期間，每個過濾器都沿著圖像系統(tǒng)地移動，以便在圖像的每個區(qū)域中，在像素和權(quán)重之間形成點(diǎn)積（圖2-3）。CNN可以快速學(xué)習(xí)這些濾波器，當(dāng)過濾器觀察到輸入的某些空間位置處的特定類型的要素時會激活。圖2-3從輸入到輸出的卷積示意圖（2）池化層。池化層也稱為下采樣層，它利用卷積層的特征進(jìn)行采樣，可幫助最小化網(wǎng)絡(luò)中的參數(shù)和計算量，保留圖像的整體結(jié)構(gòu)信息并控制過度擬合。一些常見的池化操作是最大池化、平均池化、隨機(jī)池化[32]、頻譜池化[33]、空間金字塔池化[34]和多尺度無序池化[35]等。對于隨機(jī)池化來說，需要先對各合并區(qū)域進(jìn)行概率計算：jRkkiiaaP（2-1）然后我們從基于P的多項式分布中抽樣，以確認(rèn)j內(nèi)的位置l。然后，合并的激活就是la：),...,(~where1jRljslppPa（2-2）圖2-4具有空間金字塔池化層的網(wǎng)絡(luò)結(jié)構(gòu)

【參考文獻(xiàn)】：
期刊論文
[1]大數(shù)據(jù)技術(shù)進(jìn)展與發(fā)展趨勢[J]. 宋雪豐,唐國宇,孫戌杰.  電子技術(shù)與軟件工程. 2018(21)
[2]大數(shù)據(jù)技術(shù)進(jìn)展與發(fā)展趨勢[J]. 程學(xué)旗,靳小龍,楊婧,徐君.  科技導(dǎo)報. 2016(14)
[3]大數(shù)據(jù)技術(shù)研究綜述[J]. 劉智慧,張泉靈.  浙江大學(xué)學(xué)報(工學(xué)版). 2014(06)

碩士論文
[1]基于深度卷積神經(jīng)網(wǎng)絡(luò)的X光片肺結(jié)核檢測和分類[D]. 毋一帆.西北大學(xué) 2019
[2]基于注意力機(jī)制的圖像分類深度學(xué)習(xí)方法研究[D]. 王培森.中國科學(xué)技術(shù)大學(xué) 2018



本文編號：3328839