卵巢作為女性獨(dú)有的一種器官,是女性擁有健康體魄必不可少的一部分。卵巢疾病以其多樣性、多發(fā)性以及潛在的惡化性質(zhì),對(duì)女性的健康帶來不容忽視的影響。超聲檢查是當(dāng)前廣泛使用的卵巢疾病診斷方法,但是利用超聲成像設(shè)備獲取圖像并診斷病情需要醫(yī)生擁有多年臨床經(jīng)驗(yàn),且?guī)в幸欢ㄖ饔^性。本課題旨在利用當(dāng)前深度學(xué)習(xí)理論在圖像識(shí)別與分割領(lǐng)域的先進(jìn)研究成果,將人工智能的手段應(yīng)用于卵巢疾病的臨床診斷。這樣可在無臨床超聲醫(yī)生參與的情況下,實(shí)現(xiàn)卵巢疾病的智能識(shí)別與卵巢疾病病灶區(qū)域的實(shí)例分割,為臨床醫(yī)學(xué)的智能發(fā)展提供幫助。為了實(shí)現(xiàn)這個(gè)目標(biāo),本課題在基于卷積神經(jīng)網(wǎng)絡(luò)的卵巢常見疾病分類以及基于Mask RCNN的卵巢常見疾病病灶區(qū)域?qū)嵗指钸@兩個(gè)方面進(jìn)行了研究,具體包括以下三個(gè)部分的工作。首先,在卵巢超聲圖像數(shù)據(jù)集的收集整理以及預(yù)處理方面,本課題與哈爾濱醫(yī)科大學(xué)附屬第四醫(yī)院的醫(yī)生們合作收集整理了就醫(yī)患者的卵巢超聲圖像數(shù)據(jù),共2269張。并根據(jù)醫(yī)生們歸好類的文件以及專業(yè)的卵巢疾病的超聲圖像診斷知識(shí),制作了卵巢超聲圖像分類數(shù)據(jù)集以及卵巢常見疾病實(shí)例分割數(shù)據(jù)集的分類標(biāo)簽以及掩碼標(biāo)簽。接下來,本課題對(duì)卵巢超聲圖像分類數(shù)據(jù)集進(jìn)行了常規(guī)... 

【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(yè)數(shù)】：66 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

全景分割的示例

哈爾濱工業(yè)大學(xué)工學(xué)碩士學(xué)位論文病灶區(qū)域進(jìn)行圖像分割，因此忽略病灶區(qū)域周邊的正常卵巢素，實(shí)現(xiàn)對(duì)卵巢常見疾病病灶的實(shí)例分割。如前所述，實(shí)例素級(jí)別上判斷單個(gè)目標(biāo)的輪廓，它能夠數(shù)出一張圖像上的同個(gè)數(shù)并將它們區(qū)分開來。對(duì)比深度學(xué)習(xí)在計(jì)算機(jī)視覺領(lǐng)域的四類、語義分割、目標(biāo)檢測(cè)、以及實(shí)例分割，如圖 1-2 所示，實(shí)類中的卷積層實(shí)現(xiàn)特征提取，利用目標(biāo)識(shí)別實(shí)現(xiàn)多種類多個(gè)利用語義分割為單個(gè)目標(biāo)的提供掩碼�？梢哉f，實(shí)例分割是圖以及語義分割的復(fù)合模型，深度學(xué)習(xí)在計(jì)算機(jī)視覺領(lǐng)域的應(yīng)到了良好的集成。

圖 3-1 Inception v1 即 GoogLeNet 中的 Inception 結(jié)構(gòu)寸的卷積核可以帶來更大的感受野，也意味著更多的參數(shù)，比如數(shù)是3 3卷積核的 25/9=2.78 倍。為了降低參數(shù)量，除了添加1 ，另一種方法是 VGG 結(jié)構(gòu)中采用的利用 2 個(gè)連續(xù)的 卷積來代卷積層，保持感受野范圍的同時(shí)又減少了參數(shù)量。而在 Inceptio采用了非對(duì)稱的卷積結(jié)構(gòu)拆分，將 n n分解成兩個(gè)一維的卷樣既可以進(jìn)一步減少參數(shù)量，又可以使得網(wǎng)絡(luò)深度進(jìn)一步增加的多樣性。本課題應(yīng)用的 Inception v3 模型總共有 46 層，由 11 個(gè) 成。在 Inception v3模型中共有 96 個(gè)卷積層。輸入圖像的尺寸為 2n_v3 擁有非常精妙的設(shè)計(jì)和構(gòu)造，整個(gè)網(wǎng)絡(luò)的結(jié)構(gòu)和分支非常學(xué)習(xí)，隨機(jī)初始化網(wǎng)絡(luò)模型的參數(shù)下，本課題在卵巢超聲圖像數(shù) Inception_v3 網(wǎng)絡(luò)模型，它的損失函數(shù)曲線如圖所示。由圖可見習(xí)的條件下，損失函數(shù)在大約 7 千次迭代后開始收斂。

【參考文獻(xiàn)】：
期刊論文
[1]改進(jìn)型循環(huán)生成對(duì)抗網(wǎng)絡(luò)的血管內(nèi)超聲圖像增強(qiáng)[J]. 姚哲維,楊豐,黃靖,劉婭琴.  計(jì)算機(jī)科學(xué). 2019(05)
[2]深度學(xué)習(xí)在聯(lián)合超聲和鉬靶檢查乳腺癌中的應(yīng)用[J]. 瞿微花,唐震.  現(xiàn)代腫瘤醫(yī)學(xué). 2019(01)
[3]深度學(xué)習(xí)算法在醫(yī)學(xué)影像學(xué)中的應(yīng)用及研究進(jìn)展[J]. 竇瑞欣.  中國(guó)醫(yī)學(xué)計(jì)算機(jī)成像雜志. 2018(05)
[4]基于深度學(xué)習(xí)的CT腦影像分類方法用于阿爾茨海默病的初步篩查[J]. 惠瑞,高小紅,田增民.  中國(guó)醫(yī)療設(shè)備. 2017(12)
[5]基于深度學(xué)習(xí)和醫(yī)學(xué)圖像的癌癥計(jì)算機(jī)輔助診斷研究進(jìn)展[J]. 陳詩(shī)慧,劉維湘,秦璟,陳亮亮,賓果,周煜翔,汪天富,黃炳升.  生物醫(yī)學(xué)工程學(xué)雜志. 2017(02)
[6]陰道超聲單側(cè)卵巢檢查對(duì)PCOS診斷準(zhǔn)確性的影響[J]. 張惠,鄧立強(qiáng),向素芳,魏秋鑫.  實(shí)用婦產(chǎn)科雜志. 2015(11)
[7]卵巢子宮內(nèi)膜異位囊腫超聲分型及其臨床價(jià)值[J]. 盧萬美.  廣西醫(yī)學(xué). 2014(08)
[8]卵巢黃體血腫與子宮內(nèi)膜異位囊腫的超聲聲像圖對(duì)比研究[J]. 李蕊,王琦,張紅薇,李素華.  臨床醫(yī)學(xué)工程. 2011(07)
[9]卵巢子宮內(nèi)膜異位囊腫超聲引導(dǎo)介入治療與手術(shù)治療療效比較[J]. 汪龍霞,孫長(zhǎng)坤,王軍燕,高學(xué)文,張曉莉,徐虹.  中華醫(yī)學(xué)超聲雜志(電子版). 2008(05)
[10]150例經(jīng)腹部及陰道超聲監(jiān)測(cè)卵泡發(fā)育的評(píng)估[J]. 馮永福,郭文招,李彬,何曉靜,王苑萍.  實(shí)用醫(yī)技雜志. 2007(12)

博士論文
[1]基于彩色視網(wǎng)膜圖像的眼底病相關(guān)目標(biāo)檢測(cè)方法研究[D]. 戴百生.哈爾濱工業(yè)大學(xué) 2016

碩士論文
[1]基于注意力機(jī)制的三維超聲影像的多尺度目標(biāo)識(shí)別的研究[D]. 王曉東.西安電子科技大學(xué) 2018
[2]視網(wǎng)膜血管分割與動(dòng)靜脈分類方法研究[D]. 楊毅.哈爾濱工業(yè)大學(xué) 2016
[3]宮頸細(xì)胞圖像分割方法研究[D]. 吳東東.國(guó)防科學(xué)技術(shù)大學(xué) 2012
[4]醫(yī)學(xué)圖像分割與三維重建[D]. 王召偉.電子科技大學(xué) 2009



本文編號(hào)：3634143