發(fā)布時(shí)間：2020-08-06 10:27

【摘要】：圖像分類在計(jì)算機(jī)視覺(jué)領(lǐng)域一直占有很重要的地位,隨著各式各樣的圖像采集技術(shù)的不斷發(fā)展,越來(lái)越多的圖像走進(jìn)了人們的生活,現(xiàn)有的圖像分類技術(shù)可以高效準(zhǔn)確的對(duì)圖像進(jìn)行分類。眾所周知,分類器的訓(xùn)練過(guò)程需要用到大量的樣本,然而在醫(yī)療圖像領(lǐng)域中人們發(fā)現(xiàn),仍然存在著數(shù)據(jù)集有限以及帶注釋樣本的圖像數(shù)量有限等問(wèn)題。人們希望可以擁有更多的圖像來(lái)幫助他們訓(xùn)練出分類準(zhǔn)確率更高的分類器。生成對(duì)抗網(wǎng)絡(luò)自提出之日起,就受到了極為廣泛的關(guān)注,生成對(duì)抗網(wǎng)絡(luò)的出現(xiàn)對(duì)于生成式模型的發(fā)展具有重要的意義。GAN最直接的應(yīng)用在于生成數(shù)據(jù),換句話說(shuō)就是利用GAN來(lái)生成圖像、語(yǔ)音等數(shù)據(jù)。卷積神經(jīng)網(wǎng)絡(luò)作為目前圖像處理領(lǐng)域最成功的模型,已被廣泛的應(yīng)用到了多個(gè)領(lǐng)域當(dāng)中,早在20世紀(jì)末卷積神經(jīng)網(wǎng)絡(luò)就已經(jīng)開(kāi)始應(yīng)用到了醫(yī)學(xué)圖像分析中,后來(lái)由于受到梯度消失等因素的影響,使得關(guān)于神經(jīng)網(wǎng)絡(luò)的研究進(jìn)入到了瓶頸期。直到人們找到了訓(xùn)練深層的神經(jīng)網(wǎng)絡(luò)的方法,使得卷積神經(jīng)網(wǎng)絡(luò)被重新的應(yīng)用到了醫(yī)療圖像領(lǐng)域中,那么如何把CNN和GAN結(jié)合起來(lái)就成為了很多學(xué)者研究的方向,而DCGAN就是在這方面最好的嘗試之一。然而,DCGAN模型的卷積網(wǎng)絡(luò)受到局部感受野的限制,無(wú)法生成大范圍相關(guān)區(qū)域,最終導(dǎo)致生成的圖像無(wú)法達(dá)到人們的預(yù)期效果。針對(duì)上述問(wèn)題,本文提出了基于自注意力機(jī)制的DCGAN分類模型。該模型把自注意力機(jī)制引入到了DCGAN模型中,用帶有自注意力的特征圖替換掉原有DCGAN中經(jīng)過(guò)卷積后產(chǎn)生的卷積特征圖。解決了模型因受到局部感受野的限制,卷積網(wǎng)絡(luò)無(wú)法生成大范圍相關(guān)區(qū)域這一難題。本文主要由以下幾部分工作構(gòu)成:(1)本文首先介紹了生成對(duì)抗網(wǎng)絡(luò)相關(guān)的基礎(chǔ)知識(shí),包括什么是生成對(duì)抗網(wǎng)絡(luò)、生成對(duì)抗網(wǎng)絡(luò)的幾種經(jīng)典變體以及本文中用到的相關(guān)知識(shí)要點(diǎn);介紹了生成對(duì)抗網(wǎng)絡(luò)的研究現(xiàn)狀以及生成對(duì)抗網(wǎng)絡(luò)在醫(yī)療圖像領(lǐng)域的應(yīng)用。(2)介紹了生成對(duì)抗網(wǎng)絡(luò)相較于傳統(tǒng)數(shù)據(jù)增強(qiáng)方法的優(yōu)勢(shì),并著重介紹了DCGAN模型,該模型把卷積神經(jīng)網(wǎng)絡(luò)和生成對(duì)抗網(wǎng)絡(luò)結(jié)合在了一起,有效地提高了生成樣本的質(zhì)量以及收斂的速度。(3)由于受到數(shù)據(jù)集大小的限制,本文使用三折交叉驗(yàn)證方法將原始數(shù)據(jù)集進(jìn)行了處理,保證了數(shù)據(jù)集中的每一條數(shù)據(jù)都有同等的概率被用于訓(xùn)練和測(cè)試,在一定程度上提高了模型的泛化能力。針對(duì)DCGAN模型因受到局部感受野的限制,卷積網(wǎng)絡(luò)無(wú)法生成大范圍相關(guān)區(qū)域的問(wèn)題,本文對(duì)DCGAN模型進(jìn)行了改進(jìn)。將自注意力機(jī)制引入到了模型當(dāng)中,使得改進(jìn)后的模型可以生成更高質(zhì)量的圖片,進(jìn)而提高了分類器分類的準(zhǔn)確率。(4)為了驗(yàn)證基于自注意力機(jī)制的DCGAN分類模型在肝結(jié)節(jié)分類中的實(shí)際表現(xiàn),本文將基于自注意力機(jī)制的DCGAN模型同傳統(tǒng)數(shù)據(jù)增強(qiáng)方法和DCGAN模型進(jìn)行了對(duì)比實(shí)驗(yàn),使用混淆矩陣、靈敏度來(lái)評(píng)估分類器的性能,最終實(shí)驗(yàn)結(jié)果表明基于自注意力機(jī)制的DCGAN分類模型在肝結(jié)節(jié)的分類問(wèn)題中具有更好的表現(xiàn)。
【學(xué)位授予單位】：吉林大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類號(hào)】：TP391.41;TP183;R575
【圖文】：

圖 2.1 生成對(duì)抗網(wǎng)絡(luò)模型結(jié)構(gòu)圖生成對(duì)抗網(wǎng)絡(luò)的實(shí)現(xiàn)原理可以簡(jiǎn)要的概況為：我們把一個(gè)隨機(jī)的向量作為生成模型的第一個(gè)輸入，讓它通過(guò)學(xué)習(xí)產(chǎn)生一個(gè)新的向量，我們把這個(gè)生成的新的向量用 G（z）來(lái)表示，此時(shí)我們?cè)購(gòu)臄?shù)據(jù)集中隨機(jī)的選取圖片，將圖片轉(zhuǎn)換成對(duì)應(yīng)的向量，我們這里用 x 來(lái)表示真實(shí)的圖片。GAN 的優(yōu)化過(guò)程可以理解為找到納什平衡點(diǎn)的一個(gè)過(guò)程，在公式（2.1）中給出了論文中的一個(gè)優(yōu)化函數(shù)。( minmax ( , ) ~ ( )[ log( ( ))] ~ ( )[log(1 ( ( )))]zx pdata x z p zV D G E D x E D G z……（2.1）在這里我們先對(duì)判別網(wǎng)絡(luò)進(jìn)行優(yōu)化，此時(shí)固定 G，讓判別器在輸入真實(shí)樣本時(shí)得到的結(jié)果越大越好，而當(dāng)判別器輸入假的樣本時(shí)，其輸出結(jié)果越小越好。當(dāng)我們優(yōu)化生成網(wǎng)絡(luò)時(shí)，我們希望 D（G（z））越大越好，提高 D 的準(zhǔn)確率。log(1-D(x))是我們?cè)谏厦嫣岬降纳善鞯膿p失函數(shù)的方程表達(dá)式，但是當(dāng) D（x）

圖 2.4 DCGAN 模型中生成器的結(jié)構(gòu)圖圖 2.4[9]是 DCGAN 原文中給出的生成器的結(jié)構(gòu)圖，從圖中我們可以知道，當(dāng)生成模型的輸入是一個(gè) 100 維的噪聲時(shí)，需要通過(guò)四層卷積層，最終產(chǎn)生一個(gè) 64*64*3 大小的圖片。值得注意的是，很多引用此篇論文的科研人員把圖片中的卷積層誤當(dāng)成了反卷積層[31]。實(shí)際上，這 4 個(gè)卷積層指的是微步幅度卷積。兩者的區(qū)別如下圖 2.5 所示：

圖 2.4 DCGAN 模型中生成器的結(jié)構(gòu)圖圖 2.4[9]是 DCGAN 原文中給出的生成器的結(jié)構(gòu)圖，從圖中我們可以知道，當(dāng)生成模型的輸入是一個(gè) 100 維的噪聲時(shí)，需要通過(guò)四層卷積層，最終產(chǎn)生一個(gè) 64*64*3 大小的圖片。值得注意的是，很多引用此篇論文的科研人員把圖片中的卷積層誤當(dāng)成了反卷積層[31]。實(shí)際上，這 4 個(gè)卷積層指的是微步幅度卷積。兩者的區(qū)別如下圖 2.5 所示：

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 李紅旗;席廣利;;22例肝結(jié)節(jié)狀再生性增生患者的臨床特點(diǎn)[J];當(dāng)代醫(yī)藥論叢;2014年09期

2 郭濤;錢家鳴;朱麗明;周煒?shù)?朱峰;孫剛;方秀才;;對(duì)肝結(jié)節(jié)狀再生性增生的再認(rèn)識(shí)—附18例臨床分析[J];胃腸病學(xué)和肝病學(xué)雜志;2010年04期

3 朱麗明;錢家鳴;周煒?shù)?;12例肝結(jié)節(jié)狀再生性增生臨床分析[J];中華消化雜志;2005年10期

4 王葵;張小峰;李錫鋒;施樂(lè)華;;肝結(jié)節(jié)再生性增生誤診為肝癌一例[J];中華臨床醫(yī)師雜志(電子版);2009年04期

5 陳靜,郭宏,成繼民;肝臟結(jié)節(jié)壞死一例[J];臨床誤診誤治;2003年06期

6 陳育青 ,趙明輝 ,劉玉春 ,王梅 ,鄒萬(wàn)忠;狼瘡性腎炎與肝結(jié)節(jié)狀再生性增生一例[J];中華內(nèi)科雜志;2002年09期

7 孟令平;王國(guó)光;胡明秀;洪玉萍;官兵;喬偉偉;;大鼠肝硬化背景下肝結(jié)節(jié)MR征象與病理分型[J];醫(yī)學(xué)影像學(xué)雜志;2015年11期

8 張靜,張淑貞;影像學(xué)診斷肝局灶性結(jié)節(jié)增生并出血1例[J];醫(yī)學(xué)影像學(xué)雜志;2004年09期

9 陳峰,關(guān)愛(ài)華;肝局灶性結(jié)節(jié)性增生一例[J];中華普通外科雜志;2002年04期

10 鄭永飛;魏培英;孔建國(guó);張華;吳恩福;;肝上皮樣血管平滑肌脂肪瘤1例[J];溫州醫(yī)科大學(xué)學(xué)報(bào);2015年01期

相關(guān)會(huì)議論文 前1條

1 宋彬;;肝臟結(jié)節(jié)性病變的影像學(xué)表現(xiàn)和相關(guān)病理基礎(chǔ)[A];第十次全國(guó)中西醫(yī)結(jié)合影像學(xué)術(shù)研討會(huì)暨全國(guó)中西醫(yī)結(jié)合影像學(xué)研究與診斷學(xué)習(xí)班資料匯編[C];2009年

相關(guān)碩士學(xué)位論文 前1條

1 金川皓;生成對(duì)抗網(wǎng)絡(luò)在肝結(jié)節(jié)分類中的應(yīng)用[D];吉林大學(xué);2019年

本文編號(hào)：2782246