隨著人工智能和大數(shù)據(jù)的飛速發(fā)展,大量的醫(yī)療數(shù)據(jù)被有效利用,疾病的診斷分析隨之步入智能時代。一方面,傳統(tǒng)的疾病診斷主要依靠醫(yī)生的直接經(jīng)驗,診斷結果受人為、環(huán)境等因素影響較大;另一方面,我國醫(yī)療資源分布不均,頂級醫(yī)療機構人滿為患而基層偏遠地區(qū)醫(yī)療資源短缺且服務水平低。為解決這一問題,機器學習算法被應用到人類疾病的自動診斷上,這不僅能夠幫助患者及早發(fā)現(xiàn)疾病、及時得到治療,同時可以有效輔助醫(yī)生對疾病作出正確的診斷,降低誤診漏診的概率,還能夠打破城鄉(xiāng)之間的信息屏障,將先進診療能力拓展到基層,提升基層的醫(yī)療水平。隨著醫(yī)療領域影像檢查技術的發(fā)展,醫(yī)學圖像的大數(shù)據(jù)分析進程不斷推進,深度學習方法被有效應用在醫(yī)學影像數(shù)據(jù)的識別與處理上。本文以兩類數(shù)據(jù)集為例,一類是小規(guī)模文本數(shù)據(jù)——印度肝臟病人數(shù)據(jù)集ILPD,一類是大規(guī)模病理圖像數(shù)據(jù)——公開的乳腺癌患者數(shù)據(jù)集BreakHis,針對不同的數(shù)據(jù)集特征提出了不同的應用策略,在理論研究和實踐應用上均取得了一定成果。本文使用了當前機器學習應用領域兩種普遍使用并且十分有效的研究方法:比較研究和改進研究�；贗LPD數(shù)據(jù)集使用多種機器學習模型做了比較研究,首先推導了邏輯... 

【文章來源】：煙臺大學山東省

【文章頁數(shù)】：62 頁

【學位級別】：碩士

【文章目錄】：
摘要
abstract
1 緒論
    1.1 選題背景及意義
    1.2 研究現(xiàn)狀
    1.3 本文工作內(nèi)容概述
        1.3.1 主要工作
        1.3.2 內(nèi)容安排
2 機器學習相關技術
    2.1 數(shù)據(jù)挖掘概述
    2.2 利用機器學習自動診斷疾病的方法
    2.3 數(shù)據(jù)預處理方法
        2.3.1 處理類別意義的特征
        2.3.2 處理缺失數(shù)據(jù)
        2.3.3 去均值
        2.3.4 數(shù)據(jù)歸一化
        2.3.5 降維
    2.4 分類器性能評估指標
    2.5 本章小結
3 基于機器學習的肝臟病自動診斷
    3.1 邏輯回歸
        3.1.1 邏輯回歸預測模型的建立
        3.1.2 邏輯回歸損失函數(shù)的推導
    3.2 支持向量機(SVM)
        3.2.1 支持向量機的主要特點
        3.2.2 支持向量機模型的推導
    3.3 決策樹
        3.3.1 決策樹結構與創(chuàng)建流程
        3.3.2 分支標準
        3.3.3 剪枝處理
    3.4 實驗結果分析
        3.4.1 實驗數(shù)據(jù)集
        3.4.2 訓練過程
        3.4.3 實驗結果
    3.5 本章小結
4 基于深度學習改進算法的乳腺癌自動診斷
    4.1 卷積神經(jīng)網(wǎng)絡(CNN)
        4.1.1 卷積層
        4.1.2 池化層
        4.1.3 激活函數(shù)
        4.1.4 全連接層
    4.2 DenseNet網(wǎng)絡
    4.3 改進的DenseNet網(wǎng)絡
        4.3.1 DenseNet網(wǎng)絡結構改進
        4.3.2 數(shù)據(jù)增強
        4.3.3 遷移學習
    4.4 實驗結果分析
        4.4.1 實驗數(shù)據(jù)集
        4.4.2 評價標準
        4.4.3 訓練過程
        4.4.4 實驗結果分析
    4.5 本章小結
5 結束語
    5.1 全文總結
    5.2 未來研究目標與方向
參考文獻
致謝
附錄


【參考文獻】：
期刊論文
[1]決策樹的剪枝策略研究[J]. 黎婭,郭江娜.  河南科學. 2009(03)
[2]缺失數(shù)據(jù)處理方法的比較研究[J]. 劉鵬,雷蕾,張雪鳳.  計算機科學. 2004(10)
[3]數(shù)據(jù)挖掘中數(shù)據(jù)預處理的研究與實現(xiàn)[J]. 菅志剛,金旭.  計算機應用研究. 2004(07)
[4]支持向量機分類器在醫(yī)療診斷中的應用研究[J]. 閻威武,邵惠鶴.  計算機仿真. 2003(02)
[5]數(shù)據(jù)挖掘中的數(shù)據(jù)預處理[J]. 劉明吉,王秀峰,黃亞樓.  計算機科學. 2000(04)

博士論文
[1]卷積神經(jīng)網(wǎng)絡和遷移學習在癌癥影像分析中的研究[D]. 余紹德.中國科學院大學(中國科學院深圳先進技術研究院) 2018
[2]全球女性乳腺癌疾病負擔分析及其與社會經(jīng)濟水平和醫(yī)療質(zhì)量關系的初步探討[D]. 胡凱敏.浙江大學 2016
[3]基于關聯(lián)規(guī)則與決策樹的預測方法研究及其應用[D]. 伊衛(wèi)國.大連海事大學 2012
[4]支持向量機學習算法若干問題的研究[D]. 常甜甜.西安電子科技大學 2010
[5]Logistic回歸、決策樹和神經(jīng)網(wǎng)絡在預測2型糖尿病并發(fā)末梢神經(jīng)病變中的性能比較[D]. 李長平.中國人民解放軍軍事醫(yī)學科學院 2009

碩士論文
[1]基于LSTM的心律失常分類研究[D]. 李雪.蘭州大學 2018
[2]機器學習算法在醫(yī)療數(shù)據(jù)分析中的應用[D]. 葉雷.華中師范大學 2017
[3]基于機器學習的癌癥診斷方法研究[D]. 劉奕.湖北工業(yè)大學 2017
[4]邏輯回歸算法及其GPU并行實現(xiàn)研究[D]. 董學輝.哈爾濱工業(yè)大學 2016
[5]基于信息增益的量化算法及其在決策樹中應用的研究[D]. 鄧蓓蓓.廣東工業(yè)大學 2016
[6]Logistic回歸模型、神經(jīng)網(wǎng)絡模型和決策樹模型在肺癌術后心肺并發(fā)癥預測中的比較[D]. 宋健.安徽醫(yī)科大學 2014
[7]基于邏輯回歸的推薦技術研究及應用[D]. 劉力銀.電子科技大學 2013
[8]支持向量機的研究與應用[D]. 胡艷國.南昌大學 2007
[9]基于支持向量機的癌癥診斷研究[D]. 袁前飛.重慶大學 2007
[10]基于決策樹的分類方法研究[D]. 戴南.南京師范大學 2003



本文編號：3174359