醫(yī)學(xué)影像分析是現(xiàn)代計算機視覺領(lǐng)域中比較具有研究意義的方向。乳腺癌作為嚴重威脅女性生命的惡性腫瘤,非常具有跨學(xué)科研究的價值。若能利用計算機參與診斷,那勢必能幫助減少因人類醫(yī)生受環(huán)境因素干擾引入的診斷誤差,如休息不夠、情緒不佳等,對于乳腺癌早期患者群體,降低篩查漏檢率,早發(fā)現(xiàn)早治療,能大幅度提升乳腺癌患者的存活率。根據(jù)乳腺癌診斷的醫(yī)學(xué)步驟,可以將計算機視覺引入以下兩個步驟中:首先是應(yīng)用在乳腺鉬靶X線攝影檢查中,幫助對所有女性進行是否患有乳腺癌的初篩工作。本次研究采用卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建診斷網(wǎng)絡(luò),即輸入一張乳腺X線醫(yī)學(xué)圖像,診斷網(wǎng)絡(luò)自動判斷患者是否出現(xiàn)病變,同時分割出病變區(qū)域供下一步活檢采集細胞組織做進一步確診。本部分實驗根據(jù)需要進行病變分類和分割病灶區(qū)域兩個任務(wù),依托深度學(xué)習(xí)技術(shù)設(shè)定了分類、分割、分割分類同時進行三個實驗方案,實驗過程中,利用Focal Loss克服了醫(yī)學(xué)圖像樣本類間分布不均衡的問題,以及通過目標檢測算法緩解了醫(yī)學(xué)圖像中前后景數(shù)量不平衡對模型最終效果的影響。通過對比三個方案的實驗結(jié)果發(fā)現(xiàn),直接對醫(yī)學(xué)圖像進行分類受到目標區(qū)域占比較小的影響,模型不能收斂,而先進行目標檢測找到病灶區(qū)... 

【文章來源】：華僑大學(xué)福建省

【文章頁數(shù)】：64 頁

【學(xué)位級別】：碩士

【部分圖文】：

Inception結(jié)構(gòu)[16]

華僑大學(xué)碩士學(xué)位論文10同主要是體現(xiàn)在縱向卷積層中卷積核的數(shù)量的不同。在這里以VGG16作為基礎(chǔ)網(wǎng)絡(luò)，進行介紹，其網(wǎng)絡(luò)結(jié)構(gòu)圖見圖2.2。圖2.2VGG16網(wǎng)絡(luò)結(jié)構(gòu)[20]VGGNet的網(wǎng)絡(luò)結(jié)構(gòu)非常清晰、簡潔，由5層卷積層、3層全連接層和Softmax輸出層組成。每層之間用2*2大小的maxpooling池化層連接，卷積核后的激活函數(shù)均選用ReLU函數(shù)。由于模型中全連接層的存在，輸入網(wǎng)絡(luò)圖像大小需固定不變，論文中定義的圖像大小為224，每經(jīng)過一層池化層，圖像大小減半。VGGNet使用小尺寸卷積核提取圖像特征，通過多次疊加提取的方式替代大尺寸卷積核，具體來說，縱向經(jīng)過兩個3*3的卷積核，卷積層的感受野與單個5*5卷積核組成的卷積層的感受野相持平，縱向經(jīng)過三個3*3的卷積核，卷積層的感受野和單個7*7的卷積核組成的卷積層的感受野相持平，需要注意的是，小尺寸卷積核疊加在不損失感受野的前提下，為整體網(wǎng)絡(luò)帶來的好處卻有很多，如多個小卷積核疊加的卷積層，總體參數(shù)量小于單個大尺寸卷積核，另一方面，多次疊加小卷積核意味著多次引入了非線性函數(shù)，這可以大大提升網(wǎng)絡(luò)對數(shù)據(jù)集的擬合能力等。VGGNet通過加深網(wǎng)絡(luò)來獲得高維特征的同時，也拓寬了網(wǎng)絡(luò)的寬度，圖像輸入后經(jīng)過的第一層卷積層共有64個卷積核，其中網(wǎng)絡(luò)最多一層卷積層擁有512個卷積核。網(wǎng)絡(luò)寬度大可以保證提取的特征種類較為豐富，可以較為全面的描述數(shù)據(jù)集。2.2.3U-NetU-Net[22]網(wǎng)絡(luò)結(jié)構(gòu)見圖2.3，該結(jié)構(gòu)可以看作是一個編解碼結(jié)構(gòu)，該網(wǎng)絡(luò)左右對稱，左邊是用于提取數(shù)據(jù)集特征的編碼器，右邊是用于恢復(fù)編碼器提取到信息的解碼器。該結(jié)構(gòu)利用skipconnection在編碼器和解

第2章相關(guān)深度學(xué)習(xí)知識介紹11碼器之間建立來連接通道，該操作將下采樣得到的圖像和對應(yīng)上采樣得到的圖像疊加在一起，這樣可以同時保留網(wǎng)絡(luò)在數(shù)據(jù)集提取到的淺層特征和經(jīng)過上采樣恢復(fù)的深層特征，這可以幫助減少網(wǎng)絡(luò)下采樣過程中信息的丟失。圖2.3U-Net網(wǎng)絡(luò)結(jié)構(gòu)[22]相比較別的優(yōu)秀的分割網(wǎng)絡(luò)，如Fast-RCNN需要在圖像上遍歷相同大小的圖像塊進行分析，這大大增加了網(wǎng)絡(luò)運行需要的時間，同時圖像塊之間的重疊引入了很大的運算冗余，而U-Net則沒有這類的問題。在U-Net結(jié)構(gòu)中，編碼器部分共5層，用了3*3的卷積核提取特征，網(wǎng)絡(luò)寬度最多可以達到512，最少為64。分析U-Net網(wǎng)絡(luò)，我們可以思考，既然U-Net在最后做預(yù)測時，需要同時采集數(shù)據(jù)集的淺層特征和深層特征，那么是不是加深網(wǎng)絡(luò)結(jié)構(gòu)，提取出更多更高維度的語義特征更好呢？因此我們設(shè)想通過加強編碼器對特征提取的能力，可以幫助提升網(wǎng)絡(luò)的整體表現(xiàn)，因此設(shè)計多個實驗，利用多個強大深度學(xué)習(xí)網(wǎng)絡(luò)卷積部分替換U-Net編碼器部分，驗證猜想。2.2.4殘差網(wǎng)絡(luò)除上訴的GoogLeNet、UNet、VGGNet之外，ResNet[33]提出殘差結(jié)構(gòu)使不斷加深網(wǎng)絡(luò)成為可能，見圖2.4。因為限制深層網(wǎng)絡(luò)效果的原因之一是梯度消失，即梯度隨著深度的加深越來越小，而該結(jié)構(gòu)通過將學(xué)習(xí)目標改為輸入和輸出之間的差來為每層梯度加入常數(shù)，避免了梯度越來越小，甚至為零的現(xiàn)象。DenseNet[34]受ResNet的啟發(fā)，將每層輸入改為之前所有網(wǎng)絡(luò)的輸出，見圖2.5，在保證梯度能更好傳播的同時，完成了

【參考文獻】：
期刊論文
[1]密集卷積神經(jīng)網(wǎng)絡(luò)和輔助特征相結(jié)合的乳腺組織病理圖像有絲分裂檢測方法[J]. 段慧芳,劉娟.  武漢大學(xué)學(xué)報(理學(xué)版). 2019(05)
[2]基于AlexNet和集成分類器的乳腺癌計算機輔助診斷方法[J]. 侯霄雄,許新征,朱炯,郭燕燕.  山東大學(xué)學(xué)報(工學(xué)版). 2019(02)
[3]基于卷積神經(jīng)網(wǎng)絡(luò)的鮮茶葉智能分選系統(tǒng)研究[J]. 高震宇,王安,劉勇,張龍,夏營威.  農(nóng)業(yè)機械學(xué)報. 2017(07)
[4]數(shù)字乳腺攝影的計算機輔助診斷在乳腺癌篩查中的應(yīng)用[J]. 倪志華,殷士蒙,黃慧茹,沈嵐,宋恬,楊皓.  中國醫(yī)學(xué)計算機成像雜志. 2012(01)
[5]基于支持向量機的超聲乳腺腫瘤圖像計算機輔助診斷系統(tǒng)[J]. 李曉峰,沈毅.  光電子.激光. 2008(01)
[6]基于CT圖像的肺結(jié)節(jié)計算機輔助診斷系統(tǒng)[J]. 薛以鋒,鮑旭東,馬漢林,吳磊.  中國醫(yī)學(xué)物理學(xué)雜志. 2006(02)
[7]數(shù)字化乳腺X線計算機輔助診斷系統(tǒng)臨床應(yīng)用價值的初步探討[J]. 孫哲,黎庶,徐惠綿.  中華醫(yī)學(xué)雜志. 2005(24)



本文編號：3133254