發(fā)布時(shí)間：2019-07-09 11:47

【摘要】：使用機(jī)器學(xué)習(xí)方法進(jìn)行圖像的分類是當(dāng)下熱門的研究方向之一,Google的AlphaGo與人類的圍棋大戰(zhàn),更是促進(jìn)了機(jī)器學(xué)習(xí)的進(jìn)一步發(fā)展,卷積神經(jīng)網(wǎng)絡(luò)是應(yīng)用廣泛的機(jī)器學(xué)習(xí)算法,當(dāng)下在金融風(fēng)險(xiǎn)預(yù)警,企業(yè)決策,字符識(shí)別等領(lǐng)域都有較多的應(yīng)用。醫(yī)療影像技術(shù)隨著科技的進(jìn)步在臨床上得到廣泛應(yīng)用,使得很多疾病可以更早發(fā)現(xiàn)、更早治療,醫(yī)學(xué)圖像分類主要依靠人眼觀察,耗時(shí)、耗力、且容易受到醫(yī)生主觀因素影響,醫(yī)學(xué)細(xì)胞圖像的計(jì)算機(jī)分類也成為研究的熱點(diǎn)和難點(diǎn)。本文研究對(duì)機(jī)器學(xué)習(xí)算法——卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行改進(jìn)并應(yīng)用于單細(xì)胞圖像分類,完成的主要研究工作如下:1、闡述了卷積神經(jīng)網(wǎng)絡(luò)的基本理論,介紹了從感知機(jī)模型演變到卷積神經(jīng)網(wǎng)絡(luò)的過程,以及Softmax分類器等理論知識(shí),為模型的建立和改進(jìn)提供理論基礎(chǔ)。2、針對(duì)公開的HEp-2細(xì)胞圖像庫(kù)和宮頸細(xì)胞圖像庫(kù)中圖像數(shù)量較少,且大小尺寸不一,無(wú)法直接訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)模型;本文研究使用縫裁剪法、高階插值法對(duì)圖像進(jìn)行縮放,使得單細(xì)胞圖像具有相同的尺寸,同時(shí)使用裁剪、對(duì)比度、亮度變換、旋轉(zhuǎn)、規(guī)范化等方式對(duì)于小數(shù)據(jù)集進(jìn)行數(shù)據(jù)提升,擴(kuò)大了訓(xùn)練集合。3、針對(duì)經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)模型不能有效的進(jìn)行單細(xì)胞圖像分類的問題,設(shè)計(jì)了一種改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)模型,通過批技術(shù)、局部響應(yīng)歸一化,Softmax等六個(gè)方面改進(jìn)了卷積神經(jīng)網(wǎng)絡(luò)模型。4、為了進(jìn)一步提高卷積神經(jīng)網(wǎng)絡(luò)模型對(duì)單細(xì)胞圖像的分類識(shí)別能力,考慮到人類視覺過程中感受野并非固定不變,設(shè)計(jì)了一種改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)模型——同層多尺度核卷積神經(jīng)網(wǎng)絡(luò),通過增加多尺度感受野、使用ReLUs、變更核函數(shù)數(shù)量等方式對(duì)卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行了改進(jìn)。5、使用Google的Tensorflow框架編寫改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)模型,并通過ICPR2012 HEp-2數(shù)據(jù)集和宮頸細(xì)胞集對(duì)改進(jìn)模型進(jìn)行分類仿真測(cè)試。仿真結(jié)果表明:本文設(shè)計(jì)的兩個(gè)模型具有較好的魯棒性和抗擾性,對(duì)于圖像殘缺、對(duì)比度亮度不同以及旋轉(zhuǎn)等都仍然能夠很好的完成HEp-2單細(xì)胞圖像的六分類和宮頸細(xì)胞圖像的二分類識(shí)別。
文內(nèi)圖片：
圖片說(shuō)明：圖１－２三類正常宮頸細(xì)胞示例逡逑
[Abstract]:The classification of images by using the machine learning method is one of the most popular research directions. Google's AlphaGo and the human's go war have also promoted the further development of machine learning. There are many applications in the fields of enterprise decision-making and character recognition. The medical image technology is widely applied in clinic with the progress of science and technology, so that many diseases can be found earlier and earlier, and the medical image classification mainly relies on the human eye to observe, time-consuming and power-consuming, and is easy to be influenced by the subjective factors of the doctor, The computer classification of medical cell images has also become the hot and difficult point of the study. In this paper, the machine learning algorithm _ convolution neural network model is modified and applied to the single-cell image classification. The main research work is as follows:1. The basic theory of the convolution neural network is described, and the process of evolution from the perceptron model to the convolution neural network is introduced. and based on the theoretical knowledge of the Softmax classifier, the theoretical basis is provided for the establishment and improvement of the model, and the convolution neural network model cannot be directly trained for the disclosed HEp-2 cell image library and the cervical cell image library, and the convolution neural network model cannot be directly trained; and the joint cutting method is researched in the paper, the high-order interpolation method is used for scaling an image so that the single-cell images have the same size, In order to solve the problem of single-cell image classification in the classical convolution neural network model, an improved convolution neural network model is designed, and the convolution neural network model is improved by using six aspects such as batch technology, local response normalization, Softmax and the like. in ord to further improve that ability of the convolution neural network model to classify the single-cell image, considering that the receptive field is not fixed in the human visual process, an improved convolution neural network model _ co-layer multi-scale nuclear-convolution neural network is designed to increase the multi-scale receptive field, In this paper, the convolution neural network model is improved by using ReLUs and the number of kernel functions.5. The modified convolution neural network model is written by using the Google's Tensorflow framework, and the improved model is classified and simulated by the ICR2012 HEp-2 data set and the cervical cell set. The simulation results show that the two models designed in this paper have good robustness and smoothness, and can still well complete the six-classification of the HEp-2 single-cell image and the two-class identification of the cervical cell image for the incomplete image, the contrast brightness and the rotation.
【學(xué)位授予單位】：廣西師范大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：TP391.41;TP183

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 楊曉帥 ,付玫;神經(jīng)網(wǎng)絡(luò)技術(shù)讓管理更輕松[J];軟件世界;2000年11期

2 云中客;新的神經(jīng)網(wǎng)絡(luò)來(lái)自于仿生學(xué)[J];物理;2001年10期

3 唐春明,高協(xié)平;進(jìn)化神經(jīng)網(wǎng)絡(luò)的研究進(jìn)展[J];系統(tǒng)工程與電子技術(shù);2001年10期

4 李智;一種基于神經(jīng)網(wǎng)絡(luò)的煤炭調(diào)運(yùn)優(yōu)化方法[J];長(zhǎng)沙鐵道學(xué)院學(xué)報(bào);2003年02期

5 程科,王士同,楊靜宇;新型模糊形態(tài)神經(jīng)網(wǎng)絡(luò)及其應(yīng)用研究[J];計(jì)算機(jī)工程與應(yīng)用;2004年21期

6 王凡,孟立凡;關(guān)于使用神經(jīng)網(wǎng)絡(luò)推定操作者疲勞的研究[J];人類工效學(xué);2004年03期

7 周麗暉;從統(tǒng)計(jì)角度看神經(jīng)網(wǎng)絡(luò)[J];統(tǒng)計(jì)教育;2005年06期

8 趙奇 ,劉開第 ,龐彥軍;灰色補(bǔ)償神經(jīng)網(wǎng)絡(luò)及其應(yīng)用研究[J];微計(jì)算機(jī)信息;2005年14期

9 袁婷;;神經(jīng)網(wǎng)絡(luò)在股票市場(chǎng)預(yù)測(cè)中的應(yīng)用[J];軟件導(dǎo)刊;2006年05期

10 尚晉;楊有;;從神經(jīng)網(wǎng)絡(luò)的過去談科學(xué)發(fā)展觀[J];重慶三峽學(xué)院學(xué)報(bào);2006年03期

相關(guān)會(huì)議論文 前10條

1 徐春玉;;基于泛集的神經(jīng)網(wǎng)絡(luò)的混沌性[A];1996中國(guó)控制與決策學(xué)術(shù)年會(huì)論文集[C];1996年

2 周樹德;王巖;孫增圻;孫富春;;量子神經(jīng)網(wǎng)絡(luò)[A];2003年中國(guó)智能自動(dòng)化會(huì)議論文集（上冊(cè)）[C];2003年

3 羅山;張琳;范文新;;基于神經(jīng)網(wǎng)絡(luò)和簡(jiǎn)單規(guī)劃的識(shí)別融合算法[A];2009系統(tǒng)仿真技術(shù)及其應(yīng)用學(xué)術(shù)會(huì)議論文集[C];2009年

4 郭愛克;馬盡文;丁康;;序言(二)[A];1999年中國(guó)神經(jīng)網(wǎng)絡(luò)與信號(hào)處理學(xué)術(shù)會(huì)議論文集[C];1999年

5 鐘義信;;知識(shí)論:神經(jīng)網(wǎng)絡(luò)的新機(jī)遇——紀(jì)念中國(guó)神經(jīng)網(wǎng)絡(luò)10周年[A];1999年中國(guó)神經(jīng)網(wǎng)絡(luò)與信號(hào)處理學(xué)術(shù)會(huì)議論文集[C];1999年

6 許進(jìn);保錚;;神經(jīng)網(wǎng)絡(luò)與圖論[A];1999年中國(guó)神經(jīng)網(wǎng)絡(luò)與信號(hào)處理學(xué)術(shù)會(huì)議論文集[C];1999年

7 金龍;朱詩(shī)武;趙成志;陳寧;;數(shù)值預(yù)報(bào)產(chǎn)品的神經(jīng)網(wǎng)絡(luò)釋用預(yù)報(bào)應(yīng)用[A];1999年中國(guó)神經(jīng)網(wǎng)絡(luò)與信號(hào)處理學(xué)術(shù)會(huì)議論文集[C];1999年

8 田金亭;;神經(jīng)網(wǎng)絡(luò)在中學(xué)生創(chuàng)造力評(píng)估中的應(yīng)用[A];第十二屆全國(guó)心理學(xué)學(xué)術(shù)大會(huì)論文摘要集[C];2009年

9 唐墨;王科俊;;自發(fā)展神經(jīng)網(wǎng)絡(luò)的混沌特性研究[A];2009年中國(guó)智能自動(dòng)化會(huì)議論文集（第七分冊(cè)）[南京理工大學(xué)學(xué)報(bào)（增刊）][C];2009年

10 張廣遠(yuǎn);萬(wàn)強(qiáng);曹海源;田方濤;;基于遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的故障診斷方法研究[A];第十二屆全國(guó)設(shè)備故障診斷學(xué)術(shù)會(huì)議論文集[C];2010年

相關(guān)重要報(bào)紙文章 前10條

1 美國(guó)明尼蘇達(dá)大學(xué)社會(huì)學(xué)博士 密西西比州立大學(xué)國(guó)家戰(zhàn)略規(guī)劃與分析研究中心資深助理研究員 陳心想;維護(hù)好創(chuàng)新的“神經(jīng)網(wǎng)絡(luò)硬件”[N];中國(guó)教師報(bào);2014年

2 盧業(yè)忠;腦控電腦 驚世駭俗[N];計(jì)算機(jī)世界;2001年

3 葛一鳴 路邊文;人工神經(jīng)網(wǎng)絡(luò)將大顯身手[N];中國(guó)紡織報(bào);2003年

4 中國(guó)科技大學(xué)計(jì)算機(jī)系　邢方亮;神經(jīng)網(wǎng)絡(luò)挑戰(zhàn)人類大腦[N];計(jì)算機(jī)世界;2003年

5 記者 孫剛;“神經(jīng)網(wǎng)絡(luò)”：打開復(fù)雜工藝“黑箱”[N];解放日?qǐng)?bào);2007年

6 本報(bào)記者 劉霞;美用DNA制造出首個(gè)人造神經(jīng)網(wǎng)絡(luò)[N];科技日?qǐng)?bào);2011年

7 健康時(shí)報(bào)特約記者　 張獻(xiàn)懷;干細(xì)胞移植：修復(fù)受損的神經(jīng)網(wǎng)絡(luò)[N];健康時(shí)報(bào);2006年

8 劉力;我半導(dǎo)體神經(jīng)網(wǎng)絡(luò)技術(shù)及應(yīng)用研究達(dá)國(guó)際先進(jìn)水平[N];中國(guó)電子報(bào);2001年

9 ;神經(jīng)網(wǎng)絡(luò)和模糊邏輯[N];世界金屬導(dǎo)報(bào);2002年

10 鄒麗梅 陳耀群;江蘇科大神經(jīng)網(wǎng)絡(luò)應(yīng)用研究通過鑒定[N];中國(guó)船舶報(bào);2006年

相關(guān)博士學(xué)位論文 前10條

1 楊旭華;神經(jīng)網(wǎng)絡(luò)及其在控制中的應(yīng)用研究[D];浙江大學(xué);2004年

2 李素芳;基于神經(jīng)網(wǎng)絡(luò)的無(wú)線通信算法研究[D];山東大學(xué);2015年

3 石艷超;憶阻神經(jīng)網(wǎng)絡(luò)的混沌性及幾類時(shí)滯神經(jīng)網(wǎng)絡(luò)的同步研究[D];電子科技大學(xué);2014年

4 王新迎;基于隨機(jī)映射神經(jīng)網(wǎng)絡(luò)的多元時(shí)間序列預(yù)測(cè)方法研究[D];大連理工大學(xué);2015年

5 付愛民;極速學(xué)習(xí)機(jī)的訓(xùn)練殘差、穩(wěn)定性及泛化能力研究[D];中國(guó)農(nóng)業(yè)大學(xué);2015年

6 李輝;基于粒計(jì)算的神經(jīng)網(wǎng)絡(luò)及集成方法研究[D];中國(guó)礦業(yè)大學(xué);2015年

7 王衛(wèi)蘋;復(fù)雜網(wǎng)絡(luò)幾類同步控制策略研究及穩(wěn)定性分析[D];北京郵電大學(xué);2015年

8 張海軍;基于云計(jì)算的神經(jīng)網(wǎng)絡(luò)并行實(shí)現(xiàn)及其學(xué)習(xí)方法研究[D];華南理工大學(xué);2015年

9 李艷晴;風(fēng)速時(shí)間序列預(yù)測(cè)算法研究[D];北京科技大學(xué);2016年

10 陳輝;多維超精密定位系統(tǒng)建模與控制關(guān)鍵技術(shù)研究[D];東南大學(xué);2015年

相關(guān)碩士學(xué)位論文 前10條

1 章穎;混合不確定性模塊化神經(jīng)網(wǎng)絡(luò)與高校效益預(yù)測(cè)的研究[D];華南理工大學(xué);2015年

2 賈文靜;基于改進(jìn)型神經(jīng)網(wǎng)絡(luò)的風(fēng)力發(fā)電系統(tǒng)預(yù)測(cè)及控制研究[D];燕山大學(xué);2015年

3 李慧芳;基于憶阻器的渦卷混沌系統(tǒng)及其電路仿真[D];西南大學(xué);2015年

4 陳彥至;神經(jīng)網(wǎng)絡(luò)降維算法研究與應(yīng)用[D];華南理工大學(xué);2015年

5 董哲康;基于憶阻器的組合電路及神經(jīng)網(wǎng)絡(luò)研究[D];西南大學(xué);2015年

6 武創(chuàng)舉;基于神經(jīng)網(wǎng)絡(luò)的遙感圖像分類研究[D];昆明理工大學(xué);2015年

7 李志杰;基于神經(jīng)網(wǎng)絡(luò)的上證指數(shù)預(yù)測(cè)研究[D];華南理工大學(xué);2015年

8 陳少吉;基于神經(jīng)網(wǎng)絡(luò)血壓預(yù)測(cè)研究與系統(tǒng)實(shí)現(xiàn)[D];華南理工大學(xué);2015年

9 張韜;幾類時(shí)滯神經(jīng)網(wǎng)絡(luò)穩(wěn)定性分析[D];渤海大學(xué);2015年

10 邵雪瑩;幾類時(shí)滯不確定神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性分析[D];渤海大學(xué);2015年

，

本文編號(hào)：2512125