深度學習作為人工智能的一個研究方向,在計算機視覺上取得了巨大的成功,尤其在圖像分類任務上。許多醫(yī)學和計算機的研究者正在探索新的領域——用深度學習輔助診斷人類疾病。宮頸癌是最常見的女性疾病之一,現(xiàn)有的宮頸癌篩查技術存在著不同的缺陷,導致在許多貧困地區(qū)女性無法得到及時的治療。光學相干層析掃描技術（Optical Coherence Tomography,OCT）已被廣泛應用于醫(yī)學成像,它能夠得到組織的縱切圖像,能提供高分辨率的細胞級別的特征,并且能在原位快速獲取2D/3D圖像。這些優(yōu)勢使其具有成為一種新的宮頸篩查和檢測技術的潛能。利用OCT提供的特征豐富的圖像,結合深度學習強大的圖像分析能力,本文主要研究一種新的宮頸疾病智能篩查技術以彌補現(xiàn)有技術的不足之處,并基于WinForm C++以及GPU CUDA并行程序技術,實現(xiàn)了圖像采集處理系統(tǒng)以控制相關硬件設備對樣品掃描成像,主要工作如下:（1）本文利用卷積神經網絡訓練圖像的視覺特征提取器,將得到的圖像特征序列與文本特征序列相結合,用于訓練傳統(tǒng)的支持向量機模型,完成相應的分類任務。針對收集的來自中國92名女性的497個3D OCM（Optic... 

【文章來源】：武漢大學湖北省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：56 頁

【學位級別】：碩士

【部分圖文】：

圖３．１圖像數(shù)據示例，分別有五個類別所對應圖像，其中展示了兩種表現(xiàn)不同的癌癥，如圖所示??３．２．３．數(shù)據分類依據??

圖３．２多模態(tài)分類器的整體結構??為了獲得給定三維ＯＣＭ圖像ｊ在分類標準中定義的五個細粒度類別的概率分布??（如圖３．３?３－Ｄ圖像預測概率推導所示），我們使用以下等式計算概率：??／５（ｙ＝；）?＝?＾�。剩保ǎ椋剑罚�?（３－１）??Ａｌｇｏｒｉｔｈｍ?１：?ｍａｊｏｒｉｔｙ?ｐｒｉｎｃｉｐｌｅ?ｆｏｒ?Ｉｕｆｅｒｒｉｕｇ?ｐｒｏｂａｂｉｌｉｎ?ｆｏｒ?３Ｄ??ＯＣＭ?ｉｍａｇｅｓ???Ｉｕｐｕｔ：?ｐｒｏｂｓ??Ｏｕｔｐｕｔ：?ｐｒｏｂＳＤ??１．?Ｃｒｅａｔｅ?ｅｍｐｔｙ?ｄｉｅｔ?ｐｉ，ｏｂ＿３Ｄ：??２．?Ｆｏｒ?ｅａｃｈ?ｉｔｅｍ?ｅ?ｐｒｏｂｓ?ｄｏ??３．?ｖｎｇ＿ｉｄ＝?ｉｔｅｍ．ｋｅｙ＇?Ｉ／?ＩＤ?ｆｏｒ?３Ｄ?ｉｍａｇｅ??４．?ｐｒｏｂ＿ａｉｒ＝?ｉｔｅｕｉＡ?ａｌｕｅ?／／ｃｏｎｔａｉｎｓ?ｐｒｏｂ?ｆｏｒ?ｅａｃｈ?２Ｄ?ｉｍａｇｅ?ｏｆ??５．?ｐｒｅｄｊａｂｅｌ?＝?ａｒｇｍａｘ（／；７??６．?ｔｍｐ＿ｐｒｏｂ?＝?［０］?＊?５??７．?ｆｏｒ?ｌａｂｅｌ?ｉｉｉ?［０．?１．?２．?３．?５］：??８．?Ｔｍｐ?＿＾７〇Ｚ？［ｌａｂｅｌ］?＝ｐｊｅｄ＿ＩａｂｅＩ．ｃｏ＼ｍｔ（Ｉａｂｅｒ）／ｌｅｎ（ｐｒｅｄＪａｂｅｌ）??９．?ｐｒｏｂ＿３Ｄ［ｍｉｇ＿ｉｄ＼?＝?Ｔｍｐ?＿ｐｒｏｂ［ｌａｂｅＴ＼??１０．?Ｅｎｄ?Ｆｏｒ??１１．?Ｅｎｄ???ｐｒｏｂｓ：?ｐｒｏｂａｂｉｌｉｔｙ?ｄｉｅｔ

使用數(shù)據集一致。??使用每個ＯＣＭ成像位置的組織活檢診斷作為基礎事實，為每個研宄者以及機器診??斷計算診斷準確性，敏感性，特異性。圖４．３?（ａ，ｂ）顯示了三名研究者的混淆矩陣。??同時還計算了每個統(tǒng)計參數(shù)的９５％水平的置信區(qū)間（ＣＩ）。另外還計算了三名研究者之??間的觀察者間一致性（ｋ值）。??３．５．本章小結??本章主要從問題定義，數(shù)據的收集及處理，本文所采用的分類模型和特征可視化，??實驗設定幾個方面介紹了本文的工作。這里，提出了本文擬解決的三個主要問題，即??分類模型的結構、特征識別和數(shù)據不均衡問題。數(shù)據收集部分主要介紹了數(shù)據量、數(shù)??據的標記和預處理等方面；方法上介紹了本文設計的多模態(tài)分類器，能利用來源不同??的特征訓練支持向量機分類模型；同時，還描述了本文所用到的顯著性特征圖和引導??性逆卷積方法。在實驗設計部分，主要介紹了本文實驗結果的評價指標、實驗的開發(fā)??環(huán)境、驗證實驗的設計規(guī)則，以及與人盲測對比的實驗設計。??１９??


本文編號：2972621