臨床上,一般由醫(yī)生根據(jù)喉部病變圖像對喉部疾病進行診斷。在看圖像尋找病變區(qū)的過程中,通常會耗費醫(yī)生很多的精力�？赡軙䦟�(dǎo)致醫(yī)生疲勞,從而出現(xiàn)工作效率降低或者誤診的情況。采用計算機進行喉部病變的輔助診斷可以避免上述問題。目前,基于計算機的喉部病變圖像輔助診斷系統(tǒng),主要針對喉部病變圖像進行分類,這種方法不利于醫(yī)生對預(yù)測結(jié)果進行核對。本課題為了解決這個缺點,設(shè)計了一種可以給出病變區(qū)域和病變類別的輔助診斷方法。本文收集制作了病變數(shù)據(jù)集,進行實驗研究。針對系統(tǒng)要給出病變位置和病變類別的設(shè)計要求,提出了一種基于區(qū)域的全卷積網(wǎng)絡(luò)（Region-based Fully Convolutional Networks,R-FCN）的喉部病變圖像檢測方法。為了驗證R-FCN模型在復(fù)雜背景下,對多器官、不完整器官以及由病變導(dǎo)致形狀發(fā)生變化的器官的識別能力。本文收集并制作了喉部器官數(shù)據(jù)集進行實驗驗證。實驗結(jié)果表明,R-FCN對器官測試集中會厭和聲帶的平均精度分別為93%和91%。同時,二者的均值平均精度（mean Average Precision,m AP）為92%。用含有7類標(biāo)簽的喉部病變數(shù)據(jù)集,驗證待檢測物體... 

【文章來源】：哈爾濱工業(yè)大學(xué)黑龍江省 211工程院校 985工程院校

【文章頁數(shù)】：67 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖像分類和目標(biāo)檢測的預(yù)測結(jié)果

噪等預(yù)處理操作。另外，為了能更清楚的觀察病變的細節(jié)信息，原始醫(yī)學(xué)圖像的分辨率通常都很高。為了減少計算量，一般都要進行RoI提齲從圖像中分割出目標(biāo)區(qū)域，去掉無用的背景。提取出RoI后，需要對RoI進行紋理形態(tài)等特征的提取，這是CAD系統(tǒng)中最關(guān)鍵的一步。特征提取的好壞對最后的診斷結(jié)果影響很大。特征提取中最關(guān)鍵也是最難的一步是濾波核的設(shè)置，傳統(tǒng)特征提取過程中的濾波核主要是人工設(shè)置的，這對工程師的能力要求很高。近年來，可以自動從圖像數(shù)據(jù)中學(xué)習(xí)不同層級特征的深度學(xué)習(xí)的出現(xiàn)，給特征工程的發(fā)展帶來了曙光。如圖1-2傳統(tǒng)機器學(xué)習(xí)和深度學(xué)習(xí)流程對比所示，兩種方法的處理流程類似，都是先用訓(xùn)練集對模型進行訓(xùn)練，再將需要識別的圖像輸入到訓(xùn)練好的模型中進行類別判斷。但是，深度學(xué)習(xí)可以自動提取圖像特征，而且提取到的特征的表達性更好。因此，越多越多的人開始用深度學(xué)習(xí)進行圖像處理。圖1-2傳統(tǒng)機器學(xué)習(xí)與深度學(xué)習(xí)處理流程對比醫(yī)學(xué)影像處理中與深度學(xué)習(xí)相關(guān)的應(yīng)用場景主要有三個方面：鑒別診斷，發(fā)現(xiàn)異常和量化測量[15]，分別對應(yīng)深度學(xué)習(xí)中的分類、目標(biāo)檢測和分割。鑒別診斷主要是判斷該病變屬于疾病A還是疾病B，這與深度學(xué)習(xí)中的圖像分類類

哈爾濱工業(yè)大學(xué)工學(xué)碩士學(xué)位論文-10-對目標(biāo)各部件檢測，再把各部件的檢測結(jié)果整合得到整體的檢測結(jié)果。然而，DPM仍然具有傳統(tǒng)目標(biāo)檢測算法中的一些常見問題。首先，基于滑動窗口生成候選區(qū)的方式比較盲目，沒有針對性。這個過程的時間復(fù)雜度高，窗口冗余。其次，手工設(shè)計的特征魯棒性不高，當(dāng)目標(biāo)以不同角度、不同姿態(tài)出現(xiàn)時，就需要設(shè)計新的特征。最后，傳統(tǒng)目標(biāo)檢測方法提取的只是目標(biāo)的低層特征，通常需要構(gòu)建復(fù)雜的模型來提高這些低層特征的表達能力。這個過程很費時間，會降低算法的處理速度，達不到某些應(yīng)用的實時性要求。2.2.2基于深度學(xué)習(xí)的目標(biāo)檢測深度學(xué)習(xí)的出現(xiàn)，極大的解決了傳統(tǒng)目標(biāo)檢測提取特征難、特征魯棒性不高的問題。利用深度學(xué)習(xí)的方法，可以用深度卷積網(wǎng)絡(luò)自動提取目標(biāo)特征，得到的特征魯棒性很高。Google在2017年開源的目標(biāo)檢測應(yīng)用程序編程接口（ApplicationProgrammingInterface,API）中對主流雙階段檢測方法中的FasterR-CNN、R-FCN和單階段檢測方法中的SSD模型做了性能對比。將微軟公司發(fā)布的MSCOCO（MicrosoftCommonObjectsinContext）數(shù)據(jù)集中分別對這三種模型進行訓(xùn)練和測試。實驗結(jié)果表明：單階段檢測算法在檢測速度上要快于雙階段檢測算法，但準(zhǔn)確性相對較差；而雙階段檢測算法的準(zhǔn)確率比單階段更高一些，但速度稍差[38]。由于醫(yī)學(xué)診斷結(jié)果關(guān)乎患者的生命安全，因此，應(yīng)用到醫(yī)學(xué)影像分析上的模型可靠性要好，檢測的準(zhǔn)確度要盡可能高。所以本文采用雙階段目標(biāo)檢測方法，經(jīng)過多年的發(fā)展，雙階段檢測方法在R-CNN模型的基礎(chǔ)上又衍生出了空間金字塔池化網(wǎng)絡(luò)（SpatialPyramidPoolingNet,SPP-Net）[39,40]、FastR-CNN、FasterR-CNN以及其它模型，如圖2-1所示：圖2-1雙階段檢測的系列模型

【參考文獻】：
期刊論文
[1]人工智能在乳腺癌診治中的應(yīng)用與思考[J]. 羅曉,李安華.  中華醫(yī)學(xué)超聲雜志(電子版). 2019(04)
[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]人工智能技術(shù)在醫(yī)學(xué)影像中的應(yīng)用討論[J]. 蕭毅,夏晨,張榮國,劉士遠.  第二軍醫(yī)大學(xué)學(xué)報. 2018(08)
[4]人工智能醫(yī)學(xué)技術(shù)發(fā)展的聚焦領(lǐng)域與趨勢分析[J]. 李志勇,李鵬偉,高小燕,孫湛,麻良,崔澤實.  中國醫(yī)學(xué)裝備. 2018(07)
[5]目標(biāo)檢測算法研究綜述[J]. 方路平,何杭江,周國民.  計算機工程與應(yīng)用. 2018(13)
[6]深度學(xué)習(xí)在咽喉新生物識別中的應(yīng)用研究[J]. 田永良,張勁,劉凱,湯煒,田衛(wèi)東.  計算機工程與應(yīng)用. 2019(03)
[7]PACS與人工智能輔助診斷的集成應(yīng)用[J]. 趙一鳴,左秀然.  中國數(shù)字醫(yī)學(xué). 2018(04)
[8]人工智能糖網(wǎng)眼底圖像識別在真實世界的應(yīng)用[J]. 黃瀟,谷碩,馬曉曄,梁文君,張韻,高連娣,魏銳利.  情報工程. 2018(01)
[9]X射線在醫(yī)學(xué)影像診斷領(lǐng)域的發(fā)展及應(yīng)用研究[J]. 魏夢麗.  影像研究與醫(yī)學(xué)應(yīng)用. 2017(04)
[10]基于深度學(xué)習(xí)方法的復(fù)雜場景下車輛目標(biāo)檢測[J]. 宋煥生,張向清,鄭寶峰,嚴(yán)騰.  計算機應(yīng)用研究. 2018(04)

碩士論文
[1]基于深度學(xué)習(xí)的喉鏡聲帶圖像病灶輔助診斷系統(tǒng)的設(shè)計與實現(xiàn)[D]. 楊江河.廈門大學(xué) 2018
[2]基于深度學(xué)習(xí)的醫(yī)學(xué)圖像模式分類研究[D]. 蘇寶星.浙江師范大學(xué) 2016



本文編號：3209005