類風(fēng)濕關(guān)節(jié)炎是一種以慢性侵蝕性關(guān)節(jié)炎為特征的全身性自身免疫病,而超聲成像技術(shù)因其無創(chuàng)性、實時性好、操作簡易等優(yōu)點,已經(jīng)為類風(fēng)濕關(guān)節(jié)炎診斷的主要方式之一。然而在臨床實踐中,超聲圖像的診斷分析易受操作醫(yī)師本身的理論水平、實踐經(jīng)驗以及主觀性判斷等人為因素影響,導(dǎo)致診斷結(jié)果在準(zhǔn)確性、可靠性和一致性上出現(xiàn)偏差。本文致力于研究一種基于卷積神經(jīng)網(wǎng)絡(luò)的類風(fēng)濕關(guān)節(jié)炎超聲圖像分類方法,實現(xiàn)對類風(fēng)濕關(guān)節(jié)炎超聲圖像的自動分類。本文針對現(xiàn)有類風(fēng)濕關(guān)節(jié)炎超聲圖像分類方法一致性、可靠性差以及培訓(xùn)成本高的情況,基于深度學(xué)習(xí)中的卷積神經(jīng)網(wǎng)絡(luò)以及基本的圖像處理方法,提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的超聲圖像分類方法,實現(xiàn)了對圖像中目標(biāo)區(qū)域的精準(zhǔn)定位和對超聲圖像的精確分類。在提出的方法中,首先使用添加高斯噪聲,對圖像進行直方圖均衡的方法對數(shù)據(jù)集進行增廣;然后利用目標(biāo)檢測神經(jīng)網(wǎng)絡(luò)進行超聲圖像中目標(biāo)區(qū)域的定位;然后利用加載預(yù)訓(xùn)練模型和微調(diào)的遷移學(xué)習(xí)方法進行卷積神經(jīng)網(wǎng)絡(luò)的調(diào)優(yōu),并進行測試;最后利用卷積神經(jīng)網(wǎng)絡(luò)進行超聲圖像的分析評估,并設(shè)計相應(yīng)的圖形界面供醫(yī)生進行操作。本文提出的超聲圖像分類方法可在區(qū)分各個類風(fēng)濕關(guān)節(jié)炎評級的任務(wù)中實現(xiàn)較...

【文章頁數(shù)】：60 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 課題背景
    1.2 醫(yī)學(xué)圖像分析方法概述
    1.3 論文內(nèi)容安排
第二章 卷積神經(jīng)網(wǎng)絡(luò)理論概述
    2.1 卷積神經(jīng)網(wǎng)絡(luò)的前饋運算和反饋運算
    2.2 卷積神經(jīng)網(wǎng)絡(luò)基本部件
        2.2.1 卷積層
        2.2.2 池化層
        2.2.3 全連接層
        2.2.4 損失函數(shù)
    2.3 卷積神經(jīng)網(wǎng)絡(luò)的優(yōu)化算法
    2.4 經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)概述
        2.4.1 LeNet
        2.4.2 AlexNet
        2.4.3 VGG-16
        2.4.4 GoogLeNet
        2.4.5 ResNet
    2.5 經(jīng)典目標(biāo)檢測算法概述
        2.5.1 R-CNN
        2.5.2 Fast R-CNN
        2.5.3 Faster R-CNN
        2.5.4 YOLO
        2.5.5 SSD
第三章 指關(guān)節(jié)炎超聲圖像定位和評級分類
    3.1 基于PyQt5的關(guān)節(jié)超聲圖像自動評級軟件
        3.1.1 PyQt5簡介
        3.1.2 密碼登錄界面
        3.1.3 主界面
        3.1.4 新建患者檔案界面
        3.1.5 瀏覽患者超聲圖像界面
    3.2 基于Faster R-CNN的滑膜區(qū)域定位
        3.2.1 實驗數(shù)據(jù)采集
        3.2.2 實驗環(huán)境搭建
        3.2.3 數(shù)據(jù)集制作
        3.2.4 Faster R-CNN目標(biāo)檢測網(wǎng)絡(luò)模型
        3.2.5 網(wǎng)絡(luò)模型訓(xùn)練
    3.3 基于GoogLeNet Inception V1的指關(guān)節(jié)炎超聲圖像分類
        3.3.1 實驗數(shù)據(jù)增廣方法
        3.3.2 GoogLeNet Inception V1分類網(wǎng)絡(luò)模型
        3.3.3 網(wǎng)絡(luò)模型訓(xùn)練
    3.4 Pytorch平臺上的指關(guān)節(jié)炎超聲圖像評級實驗
        3.4.1 ResNet分類網(wǎng)絡(luò)模型
        3.4.2 網(wǎng)絡(luò)模型訓(xùn)練
        3.4.3 加載網(wǎng)絡(luò)模型推理
第四章 實驗結(jié)果和分析
    4.1 五折交叉驗證
    4.2 滑膜區(qū)域定位實驗結(jié)果分析
        4.2.1 評價指標(biāo)
        4.2.2 實驗結(jié)果
        4.2.3 結(jié)果分析
    4.3 類風(fēng)濕關(guān)節(jié)炎超聲圖像分類實驗結(jié)果分析
        4.3.1 評價指標(biāo)
        4.3.2 實驗結(jié)果
        4.3.3 結(jié)果分析
第五章 總結(jié)與展望
參考文獻
致謝
攻讀學(xué)位期間的科研成果列表



本文編號：3796797