高清晰度的醫(yī)學(xué)CT（Computed Tomography）在臨床醫(yī)療診斷中發(fā)揮著關(guān)鍵作用。醫(yī)生可以通過CT圖像對患者做出病情診斷并給出治療方案。在目前的計算機(jī)輔助診斷系統(tǒng)中,現(xiàn)有檢測功能只針對一種特定部位進(jìn)行病變檢測。然而,在實(shí)際的臨床診斷中會發(fā)現(xiàn),許多病變其實(shí)是相關(guān)的。單一部位的檢測不利于醫(yī)生對病情做出全面診斷。多部位的病變檢測可以更早的發(fā)現(xiàn)病變轉(zhuǎn)移并進(jìn)行治療,同時可以挖掘不同病變之間存在的關(guān)系。本文針對目前單一部位病變檢測在醫(yī)學(xué)診斷中的局限性,建立了一個基于改進(jìn)Faster R-CNN的多部位病變檢測系統(tǒng)。該系統(tǒng)能夠?qū)Χ鄠�部位的CT圖像進(jìn)行病變檢測,取得了較好的檢測效果。此外,在該系統(tǒng)中醫(yī)生和管理員能夠?qū)Σ∪司驮\信息和醫(yī)生個人信息進(jìn)行管理,方便醫(yī)生在臨床診斷中使用該系統(tǒng)。本文具體工作如下:（1）對數(shù)據(jù)集中的CT圖像進(jìn)行預(yù)處理,包括圖像降噪與圖像增強(qiáng)。對不同的降噪方法與增強(qiáng)方法進(jìn)行分析對比,最后確定采用維納濾波和小波變換對圖像進(jìn)行預(yù)處理。（2）采用改進(jìn)后的Faster R-CNN網(wǎng)絡(luò)對預(yù)處理后的CT圖像進(jìn)行模型訓(xùn)練。首先,對VGG16特征提取網(wǎng)絡(luò)進(jìn)行改進(jìn),用于增強(qiáng)特征圖的分辨率并增... 

【文章來源】：桂林理工大學(xué)廣西壯族自治區(qū)

【文章頁數(shù)】：72 頁

【學(xué)位級別】：碩士

【部分圖文】：

CT圖像

桂林理工大學(xué)碩士學(xué)位論文8使用訓(xùn)練階段訓(xùn)練好的分類器模型對樣本進(jìn)行測試，最后輸出測試結(jié)果。對輸入醫(yī)學(xué)圖像的預(yù)處理操作包括消除噪聲與圖像增強(qiáng)等步驟。在特征計算階段，利用人工智能算法對預(yù)處理后的圖像在形狀、顏色和紋理等方面的特征進(jìn)行提取，之后選取合適的算子對這些特征進(jìn)行計算。分類器模型根據(jù)特征計算的結(jié)果輸出判別類型。2.3深度學(xué)習(xí)及卷積神經(jīng)網(wǎng)絡(luò)2.3.1深度學(xué)習(xí)深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的一種。近些年來，深度學(xué)習(xí)是機(jī)器學(xué)習(xí)中最受關(guān)注的領(lǐng)域。深度學(xué)習(xí)通過建立具有階層結(jié)構(gòu)的人工神經(jīng)網(wǎng)絡(luò)來實(shí)現(xiàn)人工智能。深度學(xué)習(xí)相比傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的區(qū)別在于，傳統(tǒng)神經(jīng)網(wǎng)絡(luò)使用淺層網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)，而深度學(xué)習(xí)通過構(gòu)建多層神經(jīng)網(wǎng)絡(luò)模擬人腦進(jìn)行分析學(xué)習(xí)[27]。深度學(xué)習(xí)網(wǎng)絡(luò)具有多個隱含層以隱含節(jié)點(diǎn)，具有較強(qiáng)的學(xué)習(xí)能力與魯棒性。目前，深度學(xué)習(xí)網(wǎng)絡(luò)在自然語言處理、語音識別以及圖像識別等領(lǐng)域應(yīng)用廣泛。典型的深度學(xué)習(xí)網(wǎng)絡(luò)模型有卷積神經(jīng)網(wǎng)絡(luò)、DBN和堆棧自編碼網(wǎng)絡(luò)模型等。圖2.3和圖2.4為傳統(tǒng)神經(jīng)網(wǎng)絡(luò)模型與深度學(xué)習(xí)網(wǎng)絡(luò)模型。圖2.3傳統(tǒng)神經(jīng)網(wǎng)絡(luò)模型圖2.4深度學(xué)習(xí)網(wǎng)絡(luò)模型2.3.2卷積神經(jīng)網(wǎng)絡(luò)卷積神經(jīng)網(wǎng)絡(luò)是用途最廣泛的一種深度學(xué)習(xí)模型。卷積神經(jīng)網(wǎng)絡(luò)在目標(biāo)檢測領(lǐng)域取得了重大的進(jìn)展。近幾年來，R-CNN、FastR-CNN、FasterR-CNN的出現(xiàn)使目標(biāo)檢測的速度與準(zhǔn)確率有了大幅提升[28]。卷積神經(jīng)網(wǎng)絡(luò)在每層網(wǎng)絡(luò)上都進(jìn)行特征提齲與傳統(tǒng)方法相比，其優(yōu)點(diǎn)在于：卷積神經(jīng)網(wǎng)絡(luò)共享權(quán)值并且包含池化操作，能夠增加網(wǎng)絡(luò)魯棒性并且提升數(shù)據(jù)處理的效率。卷積神經(jīng)網(wǎng)絡(luò)根據(jù)特征提取網(wǎng)絡(luò)深度的不同，能夠?qū)ξ矬w

桂林理工大學(xué)碩士學(xué)位論文8使用訓(xùn)練階段訓(xùn)練好的分類器模型對樣本進(jìn)行測試，最后輸出測試結(jié)果。對輸入醫(yī)學(xué)圖像的預(yù)處理操作包括消除噪聲與圖像增強(qiáng)等步驟。在特征計算階段，利用人工智能算法對預(yù)處理后的圖像在形狀、顏色和紋理等方面的特征進(jìn)行提取，之后選取合適的算子對這些特征進(jìn)行計算。分類器模型根據(jù)特征計算的結(jié)果輸出判別類型。2.3深度學(xué)習(xí)及卷積神經(jīng)網(wǎng)絡(luò)2.3.1深度學(xué)習(xí)深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的一種。近些年來，深度學(xué)習(xí)是機(jī)器學(xué)習(xí)中最受關(guān)注的領(lǐng)域。深度學(xué)習(xí)通過建立具有階層結(jié)構(gòu)的人工神經(jīng)網(wǎng)絡(luò)來實(shí)現(xiàn)人工智能。深度學(xué)習(xí)相比傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的區(qū)別在于，傳統(tǒng)神經(jīng)網(wǎng)絡(luò)使用淺層網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)，而深度學(xué)習(xí)通過構(gòu)建多層神經(jīng)網(wǎng)絡(luò)模擬人腦進(jìn)行分析學(xué)習(xí)[27]。深度學(xué)習(xí)網(wǎng)絡(luò)具有多個隱含層以隱含節(jié)點(diǎn)，具有較強(qiáng)的學(xué)習(xí)能力與魯棒性。目前，深度學(xué)習(xí)網(wǎng)絡(luò)在自然語言處理、語音識別以及圖像識別等領(lǐng)域應(yīng)用廣泛。典型的深度學(xué)習(xí)網(wǎng)絡(luò)模型有卷積神經(jīng)網(wǎng)絡(luò)、DBN和堆棧自編碼網(wǎng)絡(luò)模型等。圖2.3和圖2.4為傳統(tǒng)神經(jīng)網(wǎng)絡(luò)模型與深度學(xué)習(xí)網(wǎng)絡(luò)模型。圖2.3傳統(tǒng)神經(jīng)網(wǎng)絡(luò)模型圖2.4深度學(xué)習(xí)網(wǎng)絡(luò)模型2.3.2卷積神經(jīng)網(wǎng)絡(luò)卷積神經(jīng)網(wǎng)絡(luò)是用途最廣泛的一種深度學(xué)習(xí)模型。卷積神經(jīng)網(wǎng)絡(luò)在目標(biāo)檢測領(lǐng)域取得了重大的進(jìn)展。近幾年來，R-CNN、FastR-CNN、FasterR-CNN的出現(xiàn)使目標(biāo)檢測的速度與準(zhǔn)確率有了大幅提升[28]。卷積神經(jīng)網(wǎng)絡(luò)在每層網(wǎng)絡(luò)上都進(jìn)行特征提齲與傳統(tǒng)方法相比，其優(yōu)點(diǎn)在于：卷積神經(jīng)網(wǎng)絡(luò)共享權(quán)值并且包含池化操作，能夠增加網(wǎng)絡(luò)魯棒性并且提升數(shù)據(jù)處理的效率。卷積神經(jīng)網(wǎng)絡(luò)根據(jù)特征提取網(wǎng)絡(luò)深度的不同，能夠?qū)ξ矬w

【參考文獻(xiàn)】：
期刊論文
[1]中值檢測的迭代中值濾波算法[J]. 陳家益,董夢藝,戰(zhàn)蔭偉,曹會英,熊剛強(qiáng).  現(xiàn)代電子技術(shù). 2020(07)
[2]基于卷積神經(jīng)網(wǎng)絡(luò)成人肋骨骨折CT自動檢測和分類的應(yīng)用研究[J]. 周清清,王佳碩,唐雯,張榮國.  影像診斷與介入放射學(xué). 2020(01)
[3]增強(qiáng)CT直方圖分析鑒別甲狀腺良惡性結(jié)節(jié)[J]. 馬俊麗,段立娜,張薇,戈銳,王志軍.  中國醫(yī)學(xué)影像技術(shù). 2020(01)
[4]基于雙閾值-非極大值抑制的Faster R-CNN改進(jìn)算法[J]. 侯志強(qiáng),劉曉義,余旺盛,馬素剛.  光電工程. 2019(12)
[5]小波變換圖像多聚焦模糊特征自動增強(qiáng)仿真[J]. 海潔.  計算機(jī)仿真. 2019(11)
[6]卷積神經(jīng)網(wǎng)絡(luò)在肝包蟲病CT圖像診斷中的應(yīng)用[J]. 劉志華,李豐軍,嚴(yán)傳波.  電子技術(shù)應(yīng)用. 2019(11)
[7]人工智能與醫(yī)學(xué)影像融合發(fā)展:機(jī)遇與挑戰(zhàn)[J]. 朱文珍,胡瓊潔.  放射學(xué)實(shí)踐. 2019(09)
[8]基于3D CNN的鼻咽癌CT圖像分割[J]. 肖銀燕,全惠敏.  計算機(jī)工程與科學(xué). 2019(08)
[9]基于全局-局部卷積神經(jīng)網(wǎng)絡(luò)的阻生牙分類[J]. 楊鎏,舒祥波.  計算機(jī)應(yīng)用. 2019(S1)
[10]基于ArcReLU函數(shù)的神經(jīng)網(wǎng)絡(luò)激活函數(shù)優(yōu)化研究[J]. 許赟杰,徐菲菲.  數(shù)據(jù)采集與處理. 2019(03)

碩士論文
[1]基于深度學(xué)習(xí)的分揀機(jī)器人目標(biāo)識別與定位[D]. 解修亮.安徽工程大學(xué) 2019
[2]基于深度學(xué)習(xí)的醫(yī)學(xué)影像檢測算法[D]. 陳云.北京郵電大學(xué) 2019
[3]基于Faster R-CNN的目標(biāo)檢測算法的研究[D]. 伍偉明.華南理工大學(xué) 2018
[4]超聲醫(yī)學(xué)圖像的去噪及增強(qiáng)研究[D]. 王紹波.安徽理工大學(xué) 2010



本文編號：3438122