目的探討深度卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network,CNN）聯(lián)合遷移學(xué)習(xí)（Transfer Learning,TL）輔助識(shí)別診斷顱腦癌癥的方法。方法介紹了深度CNN、TL基本原理,建立深度CNN聯(lián)合TL模型,使用FCNN、CNN、AlexNet、VGGNet、GoogLeNet、AlexNet-TL、VGGNet-TL以及GoogLeNet-TL模型對(duì)我院顱腦CT圖像進(jìn)行分類(lèi),并使用靈敏度、特異性以及準(zhǔn)確率為評(píng)價(jià)指標(biāo)對(duì)不同方法性能進(jìn)行評(píng)定。結(jié)果隨機(jī)初始化網(wǎng)絡(luò)參數(shù)的FCNN、CNN、AlexNet、VGGNet以及GoogleNet模型腦腫瘤模式識(shí)別準(zhǔn)確率分別為70.2%、76.5%、82.7%、80.9%以及82.5%,而通過(guò)利用開(kāi)源的大數(shù)據(jù)集ImageNet預(yù)訓(xùn)練深度CNN,優(yōu)化模型參數(shù)的AlexNet-TL、VGGNet-TL、GoogleNet-TL腦腫瘤模式識(shí)別準(zhǔn)確率分別為86.9%、90.2%以及93.4%。結(jié)論深度CNN聯(lián)合TL模型可實(shí)現(xiàn)對(duì)顱腦癌癥的智能識(shí)別和分類(lèi),有助于減少醫(yī)生工作強(qiáng)度,基于深度CNN聯(lián)合TL模型的顱腦癌癥輔助診斷識(shí)別方法有... 

【文章來(lái)源】：中國(guó)醫(yī)療設(shè)備. 2020,35(09)

【文章頁(yè)數(shù)】：5 頁(yè)

【部分圖文】：

卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

對(duì)CNN而言，通過(guò)卷積核不斷的對(duì)圖像進(jìn)行卷積運(yùn)算，逐層對(duì)圖像特征進(jìn)行學(xué)習(xí)和提取，并將低層圖像特征通過(guò)不斷卷積核池化轉(zhuǎn)變成高層表達(dá)，隨著CNN卷積層數(shù)的增加，會(huì)導(dǎo)致圖像特征過(guò)度學(xué)習(xí)、過(guò)度擬合現(xiàn)象的產(chǎn)生。因此，本文使用Caffe框架搭建CNN，使用Image Net圖像大數(shù)據(jù)集對(duì)網(wǎng)絡(luò)進(jìn)行預(yù)訓(xùn)練，訓(xùn)練過(guò)程中可以將預(yù)訓(xùn)練模型當(dāng)做特征提取裝置來(lái)使用，具體的做法是，將輸出層去掉，然后將剩下的整個(gè)網(wǎng)絡(luò)當(dāng)做一個(gè)固定的特征提取機(jī)，從而應(yīng)用到新的數(shù)據(jù)集中。使用Image Net預(yù)訓(xùn)練的模型可從Caffe Model Zoo網(wǎng)站下載、修改和使用。接著，基于不同的數(shù)據(jù)集進(jìn)行訓(xùn)練、驗(yàn)證和測(cè)試。這是一個(gè)微調(diào)的過(guò)程。最后，我們將網(wǎng)絡(luò)參數(shù)設(shè)置為迭代次數(shù)104，動(dòng)量因子為0.9，衰減參數(shù)為0.0005，初始的學(xué)習(xí)率為0.001，其它參數(shù)保持不變。得到CNN網(wǎng)絡(luò)參數(shù)和權(quán)重后將模型遷移至我院采集的腦腫瘤CT序列圖像數(shù)據(jù)訓(xùn)練集進(jìn)行進(jìn)一步訓(xùn)練，并及時(shí)修正模型權(quán)重和偏執(zhí)值。最后使用訓(xùn)練后的模型對(duì)腦腫瘤CT序列圖像數(shù)據(jù)測(cè)試集進(jìn)行測(cè)試。模型搭建過(guò)程見(jiàn)圖2所示。2 實(shí)驗(yàn)設(shè)計(jì)與結(jié)果

本文使用Caffe框架，Tesla V00 GPU上訓(xùn)練，訓(xùn)練時(shí)間約為5 h，實(shí)驗(yàn)結(jié)果如圖3和圖4所示。結(jié)果顯示，在不使用TL的情況下，Alex Net-TL模型、VGGNet-TL模型、Google Net-TL模型在靈敏度、特異性以及準(zhǔn)確率上均顯著高于隨機(jī)初始化網(wǎng)絡(luò)參數(shù)的FCNN模型、CNN模型、Alex Net模型、VGGNet模型以及Google Net模型。在數(shù)據(jù)集Image Net訓(xùn)練后的Goole Net-TL模型顱腦癌癥識(shí)別準(zhǔn)確率達(dá)93.4%,Alex Net-TL以及VGGNet-TL模型識(shí)別準(zhǔn)確率為86.9%和90.2%；未使用TL的FCNN模型、CNN模型、Alex Net模型、VGGNet模型以及Google Net模型模式識(shí)別率分別為70.2%、76.5%、82.7%、80.9%以及82.5%。Google Net-TL網(wǎng)絡(luò)訓(xùn)練損失曲線以及驗(yàn)證曲線，見(jiàn)圖4。橫坐標(biāo)為Google Net-TL模型的訓(xùn)練迭代次數(shù)，主縱坐標(biāo)為訓(xùn)練過(guò)程中損失值，次縱坐標(biāo)為驗(yàn)證過(guò)程中的準(zhǔn)確率，當(dāng)Google Net-TL模型迭代4100后訓(xùn)練Loss收斂，訓(xùn)練過(guò)程中的顱腦驗(yàn)證集驗(yàn)證準(zhǔn)確率達(dá)96.5%。

【參考文獻(xiàn)】：
期刊論文
[1]基于深度遷移學(xué)習(xí)的肺結(jié)節(jié)輔助診斷方法[J]. 張馳名,王慶鳳,劉志勤,黃俊,周瑩,劉啟榆,徐衛(wèi)云.  計(jì)算機(jī)工程. 2020(01)
[2]深度學(xué)習(xí)算法在腦電信號(hào)解碼中的應(yīng)用[J]. 韋夢(mèng)瑩,李琳玲,黃淦,唐翡,張治國(guó).  中國(guó)生物醫(yī)學(xué)工程學(xué)報(bào). 2019(04)
[3]基于ResNet深度網(wǎng)絡(luò)的人類(lèi)蛋白質(zhì)圖譜圖像分類(lèi)方法研究[J]. 常川.  醫(yī)學(xué)信息學(xué)雜志. 2019(07)
[4]深度遷移學(xué)習(xí)輔助的阿爾茲海默氏癥早期診斷[J]. 金祝新,秦飛巍,方美娥.  計(jì)算機(jī)應(yīng)用與軟件. 2019(05)
[5]深度學(xué)習(xí)在醫(yī)學(xué)超聲圖像分析中的應(yīng)用綜述[J]. 劉盛鋒,王毅,楊鑫,雷柏英,劉立,李享,倪東,汪天富.  Engineering. 2019(02)

博士論文
[1]基于醫(yī)學(xué)高光譜影像分析的腫瘤組織分類(lèi)方法研究[D]. 杜劍.中國(guó)科學(xué)院大學(xué)(中國(guó)科學(xué)院西安光學(xué)精密機(jī)械研究所) 2018
[2]卷積神經(jīng)網(wǎng)絡(luò)和遷移學(xué)習(xí)在癌癥影像分析中的研究[D]. 余紹德.中國(guó)科學(xué)院大學(xué)(中國(guó)科學(xué)院深圳先進(jìn)技術(shù)研究院) 2018
[3]面向醫(yī)學(xué)文獻(xiàn)的圖像模式識(shí)別關(guān)鍵技術(shù)研究[D]. 于玉海.大連理工大學(xué) 2018

碩士論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的醫(yī)學(xué)圖像分類(lèi)方法研究[D]. 史亮亮.河北科技大學(xué) 2019
[2]基于深度學(xué)習(xí)的醫(yī)學(xué)影像分析與標(biāo)注[D]. 冉靜.北京郵電大學(xué) 2019
[3]基于遷移學(xué)習(xí)和卷積神經(jīng)網(wǎng)絡(luò)的肺結(jié)節(jié)檢測(cè)方法研究[D]. 趙玥.東北財(cái)經(jīng)大學(xué) 2018
[4]基于深度學(xué)習(xí)的MR圖像肝臟腫瘤自動(dòng)化分割方法的研究[D]. 黃賽.南京大學(xué) 2018
[5]基于卷積神經(jīng)網(wǎng)絡(luò)和遷移學(xué)習(xí)的醫(yī)學(xué)影像輔助診斷研究[D]. 顧久馭.山東大學(xué) 2018



本文編號(hào)：3340964