孤立性肺結(jié)節(jié)良惡性分類是醫(yī)學圖像處理中的重要組成部分�；诜谓Y(jié)節(jié)復雜的圖像特征和傳統(tǒng)人工診斷提取存在的挑戰(zhàn)性與對肺結(jié)節(jié)識別中的不確定性因素的存在,因而要充分發(fā)揮機器學習在診斷中的輔助性功效,實現(xiàn)優(yōu)勢互補。鑒于此,本文引入深度神經(jīng)網(wǎng)絡(luò),將卷積神經(jīng)網(wǎng)絡(luò)模型應用到孤立性肺結(jié)節(jié)良惡性分類中,充分利用其比傳統(tǒng)方法學習能力更強、學習方法更便捷且可以降低圖像特征等特點,以減少肺部CT圖像中肺結(jié)節(jié)的特征提取數(shù)量,充分利用支持向量機泛化能力強的優(yōu)點,提高地域性小樣本肺結(jié)節(jié)良惡性識別的準確率。首先,本文針對孤立性肺結(jié)節(jié)的良惡性分類的研究現(xiàn)狀進行分析,研究深度神經(jīng)網(wǎng)絡(luò)與支持向量機的分類方法對肺結(jié)節(jié)分類方法的效果。其次,詳細介紹卷積神經(jīng)網(wǎng)絡(luò)的原理,比較卷積神經(jīng)網(wǎng)絡(luò)的優(yōu)缺點,探究卷積神經(jīng)網(wǎng)絡(luò)對孤立性肺結(jié)節(jié)進行提取的過程,使用批量歸一化等方法來改進卷積神經(jīng)網(wǎng)絡(luò)的過擬合,并引入自動微分計算梯度方法以提高算法對肺結(jié)節(jié)良惡性分類的準確率。再次,本文的研究基于支持向量機的圖像分類算法,利用支持向量機對小樣本泛化能力強的特點,將布谷鳥搜索算法改進并用于其中,利用其尋優(yōu)能力強的優(yōu)點,以尋找支持向量機的相關(guān)參數(shù),有效提高支持向... 

【文章來源】：哈爾濱理工大學黑龍江省

【文章頁數(shù)】：49 頁

【學位級別】：碩士

【部分圖文】：

LIDC-IDRI中的數(shù)據(jù)信息Fig.2-1DatainformationintheLIDC-IDRIdatabase

肺部原始圖像

哈爾濱理工大學工學碩士學位論文-9-圖3-1卷積神經(jīng)網(wǎng)絡(luò)模型圖Fig.3-1Convolutionalneuralnetworkmodeldiagram3.1.2數(shù)學模型與實現(xiàn)1.卷積層的主要作用是實現(xiàn)局部感知和部分特征提取[24]，主要是通過卷積核與圖像做卷積處理，圖3-2為卷積神經(jīng)網(wǎng)絡(luò)的局部卷積計算。圖3-2卷積層卷積運算Fig3-2Convolutionoperationofconvolutionlayer在卷積計算的過程中，為了精確計算輸出特征圖的每一個值，卷積核沿水平或者垂直位置采取步長為1的移動，該步長為卷積核的步幅。步幅的大小決定卷積神經(jīng)網(wǎng)絡(luò)的維度。當步幅增大時，相對應卷積神經(jīng)網(wǎng)絡(luò)的維度就會減小，這個減小的過程，則稱為子采樣操作，子采樣決定了卷積神經(jīng)網(wǎng)絡(luò)的規(guī)模。卷積層中，與輸入的特征圖表示相比，輸出層特征圖的空間大小減校假設(shè)卷積核為，輸入特征圖的大小為，步幅長度為s，則卷積層輸出的大小為，其中、的大小如公式(3-1)，是下取整函數(shù)：tt(3-1)上述公式求得了卷積層的輸出大校接下來是對卷積層算法的具體實現(xiàn)，

【參考文獻】：
期刊論文
[1]細數(shù)我國各大區(qū)域高發(fā)癌癥[J]. 昭陽.  江蘇衛(wèi)生保健. 2018(08)
[2]不同池化模型的卷積神經(jīng)網(wǎng)絡(luò)學習性能研究[J]. 劉萬軍,梁雪劍,曲海成.  中國圖象圖形學報. 2016(09)
[3]基于遺傳算法和BP神經(jīng)網(wǎng)絡(luò)的孤立性肺結(jié)節(jié)分類算法[J]. 胡強,郝曉燕,雷蕾.  計算機科學. 2016(S1)
[4]基于改進布谷鳥搜索算法的圖像邊緣檢測[J]. 鄧江洪,趙領(lǐng).  計算機系統(tǒng)應用. 2015(08)
[5]PCA預訓練的卷積神經(jīng)網(wǎng)絡(luò)目標識別算法[J]. 史鶴歡,許悅雷,馬時平,李岳云,李帥.  西安電子科技大學學報. 2016(03)
[6]基于卷積神經(jīng)網(wǎng)絡(luò)的紋理分類方法研究[J]. 冀中,劉青,聶林紅,龐彥偉.  計算機科學與探索. 2016(03)
[7]基于SVM和形態(tài)學的乳腺X線影像MROI提取技術(shù)[J]. 顧廣娟,宋立新,王立.  哈爾濱理工大學學報. 2009(06)
[8]胸部CT圖像中孤立性肺結(jié)節(jié)良惡性快速分類[J]. 劉露,劉宛予,楚春雨,吳軍,周洋,張紅霞,鮑劼.  光學精密工程. 2009(08)

博士論文
[1]肺結(jié)節(jié)圖像的分析與識別[D]. 曹蕾.南方醫(yī)科大學 2009

碩士論文
[1]5p15.33區(qū)域遺傳變異與肺癌易感性的相關(guān)性研究[D]. 向成.華中科技大學 2017
[2]基于DICOM序列影像的肺結(jié)節(jié)檢測算法研究[D]. 羅旋.電子科技大學 2015



本文編號：3109333