近年來,深度學(xué)習(xí)技術(shù)推動了計算機輔助診斷在醫(yī)學(xué)影像分析領(lǐng)域的快速發(fā)展。與傳統(tǒng)基于人工設(shè)計的特征提取算法比較,深度學(xué)習(xí)方法在圖像分類,檢測和分割等任務(wù)方面的性能顯著提高,有效地解決了許多醫(yī)學(xué)圖像分析問題。胸部具有良好的天然對比,適用胸部X線檢查。胸部X線圖像具有非常豐富的影像學(xué)信息,放射科醫(yī)生必須嚴(yán)格、仔細(xì)的審查每一個細(xì)節(jié)。此外,隨著人們越來越重視健康,每年都定期做一次胸部X線體檢,這使得放射科醫(yī)生任務(wù)過重。由于大量胸片的堆積,那些患有氣胸等危重疾病的患者就可能長時間的列表等待,從而延誤病情。同時,醫(yī)生工作時間較長,造成精力不足,可能影響疾病的診斷。因此,對氣胸的準(zhǔn)確診斷和定量分析是放射科診斷醫(yī)生艱巨且緊急的任務(wù)。本文主要研究基于深度學(xué)習(xí)方法的智能X線氣胸的精準(zhǔn)定量評估。實現(xiàn)氣胸的定量評估首先要準(zhǔn)確的檢測出氣胸。由于氣胸的形狀、大小以及位置信息變化大,還可能與胸片上其他組織重疊,使得氣胸的檢測非常困難。因此,本文提出了一種結(jié)合密集卷積網(wǎng)絡(luò)與梯度加權(quán)類激活映射的方法用于X線氣胸的檢測與定位。密集卷積網(wǎng)絡(luò)具備網(wǎng)絡(luò)較深、能夠融合淺層與深層特征進行分類的優(yōu)勢,而梯度加權(quán)類激活映射算法能可視化卷積... 

【文章來源】：西南科技大學(xué)四川省

【文章頁數(shù)】：58 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖１－１所示，胸部Ｘ－ｒａｙ圖像有非常豐富的影像學(xué)信息，放射科醫(yī)生必須嚴(yán)格、??仔細(xì)的審査每一個細(xì)節(jié)

積神經(jīng)網(wǎng)絡(luò)與一般的神經(jīng)網(wǎng)絡(luò)原理一樣，可以將其可視化為一組按非循環(huán)圖排??列的神經(jīng)元。與神經(jīng)網(wǎng)絡(luò)的主要區(qū)別在于，隱藏層神經(jīng)元只與前一層神經(jīng)元的一個子??集相連。由于這種稀疏連接，它能夠隱式地學(xué)習(xí)特征。網(wǎng)絡(luò)的深層結(jié)構(gòu)可以層次化的提??取特征，即第一層的訓(xùn)練后的濾波器可以被可視化為一組邊緣或色塊，第二層的濾波??器可以被可視化為一些形狀，接下來各層濾波器可以學(xué)習(xí)對象的部分組件，而最后一??層的濾波器可以識別對象。ＣＮＮｓ具有前饋特性，通常由卷積層、池化層以及全連接層??等組成。其簡單結(jié)構(gòu)如圖２－１所示，在輸入樣本上對卷積層進行卷積，以計算多個特征??映射。從輸入樣本中檢測一個特征，用特征圖中的一個小框表示。這些映射被傳遞到最??大池化層，最大池化層保留了相關(guān)的特性并丟棄了其余的特性。之后最大池化層的特??征被轉(zhuǎn)換成全連接層的一維特征向量，然后用來計算輸出概率。以下部分簡要介紹卷??積神經(jīng)網(wǎng)絡(luò)各部件的功能。??—????輸入?卷積??＾?（特征圖）?最大池化全連接?輸出??圖２－１卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖??（１）卷積層??卷積層是ＣＮＮｓ的主要組成部分，也是ＣＮＮｓ的基本組成單元，它是一組神經(jīng)元??排列的特征圖（ＦｅａｔｕｒｅＭａｐ）。卷積層的參數(shù)是－組可學(xué)習(xí)的卷積核或濾波器，卷積核??的尺寸一般為３Ｘ３，?５Ｘ５ＪＸ７等。卷積操作如式２－１所示，在ＣＮＮｓ中，第一個卷積??層以圖像作為輸入，每一個卷積塊只處理與卷積核尺寸大小的圖像，進行卷積后在傳??到后面的網(wǎng)絡(luò)。每一次卷積都可以提取最能描述對象的特征，比如對象的邊或者拐角，??而后經(jīng)過組合和抽象，提取更深層的特征，因此具有學(xué)習(xí)復(fù)雜特征的能力，是圖像識別??

化和多??尺度無序池化。池化操作也包含一個濾波器，不同于卷積濾波器的是，該濾波器是沒有??可學(xué)習(xí)參數(shù)的。平均池化（Ａｖｅｒａｇｅ?Ｐｏｏｌｉｎｇ）就是在特征圖上對應(yīng)濾波器大小的區(qū)域，??在該區(qū)域內(nèi)取所有不為０的像素點的平均值，能更好的提取圖像的背景信息。而最大??池化（Ｍａｘ?Ｐｏｏｌｉｎｇ）就是取該區(qū)域最大的像素值，能更好的提取圖像的紋理特征。下??面以最大池化為例，說明池化操作的過程。假設(shè)有一個４Ｘ４的像素矩陣，以及一個步??長為２的濾波器，尺寸為２Ｘ２，以此來做最大池化的結(jié)果如圖２－２所示。??ｙ???？??１０?７?５?４??２Ｘ２濾波器??ｒ￣￣??５?８?１４?５??步長為２?＾?１０?１４??１７?９?２０?１５?１７?２０??４?１５?７?８??ｙ??圖２－２最大池化操作示意圖??（３）全連接層??全連接層（Ｆｕｌｌｙｃｏｎｎｅｃｔｅｄｌａｙｅｒ，ＦＣ層）的神經(jīng)兀與前…層的神經(jīng)兀完全相連，實??現(xiàn)密集的連接，因此全連接層也可以稱為密集連接層，全連接層的作用就是完成網(wǎng)絡(luò)??最后的高級推理部分。ＣＮＮｓ的全連接層一般在所有卷積層之后，因為全連接層的神經(jīng)??元是一維排列而非空間排列，所以全連接層后是不可能有卷積層的。但最近，有學(xué)者提??出的—些架構(gòu)中，去掉了全連接層，如Ｌｉｎ等人提出的架構(gòu)將全連接層替換為全局??平均池化層。??（４）激活層??激勵層是將卷積層的輸出通過非線性函數(shù)將其轉(zhuǎn)換為非線性值，這對神經(jīng)網(wǎng)絡(luò)擬??合復(fù)雜的非線性問題十分重要。激勵層主要用到的是激活函數(shù)（Ａｃｔｉｖａｔｉｏｎ?Ｆｕｎｃｔｉｏｎ）／，??在卷積或全連接后，神經(jīng)元的輸出為ｒ／ＷｉＡ?＋?ｈ在進入下一個層之前，

【參考文獻】：
期刊論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分類算法綜述[J]. 楊真真,匡楠,范露,康彬.  信號處理. 2018(12)
[2]氣胸肺壓縮程度測量軟件的研制及其法醫(yī)學(xué)應(yīng)用[J]. 吳永波,武斌,李陽,胡曉飛,司東雷.  法醫(yī)學(xué)雜志. 2018(03)
[3]基于深度卷積神經(jīng)網(wǎng)絡(luò)的色素性皮膚病識別分類[J]. 何雪英,韓忠義,魏本征.  計算機應(yīng)用. 2018(11)
[4]原發(fā)性自發(fā)性氣胸病因研究進展[J]. 王朝,鄒衛(wèi).  臨床肺科雜志. 2015(06)
[5]健康體檢的深層價值探討（附1300例體檢結(jié)果分析）[J]. 賈瑞珍,杜兵.  中國全科醫(yī)學(xué). 2007(01)
[6]談?wù)剼庑氐脑\斷方法[J]. 穆魁津.  中國實用內(nèi)科雜志. 1995(04)



本文編號：3068345