醫(yī)學圖像分析是醫(yī)學研究、診斷和治療中必不可少的技術手段和工具,其主要作用是從醫(yī)學圖像中提取隱含的重要生理、病理信息或知識,因而其重要性和難度均很大。深度學習已顯示出在挖掘海量、高維數(shù)據(jù)的內在結構等方面的突出能力,但目前基于深度學習的醫(yī)學圖像分析方面的研究工作和成果還較少。因此,本文以黑色素瘤皮膚鏡圖像、2D Hela熒光顯微鏡圖像、外周血涂片白細胞顯微鏡圖像、宮頸陰道鏡圖像等幾種重要且典型的醫(yī)學圖像為對象,從圖像預處理、訓練集擴增、深度神經(jīng)網(wǎng)絡結構選擇與改進、圖像分析效果評價等方面,對面向醫(yī)學圖像分析的深度學習方法進行了較系統(tǒng)、全面的研究,具體工作和成果主要如下:1)研究了一種用于黑色素瘤圖像自動分析(特征學習和分割)的改進CNN(Convolutional Neural Networks,卷積神經(jīng)網(wǎng)絡)結構,以更好地區(qū)分難辨病變如色素斑點痣與臨床待定病變,減少篩查錯誤和提高皮膚癌診斷的準確率。其要點是:利用非線性激活函數(shù)ReLU和ELU來有效地緩解梯度消失問題;利用RMSprop和Adam優(yōu)化與損失算法,以實現(xiàn)更快速地收斂;最后在卷積層與激活層之間增加了批歸一化層(Batch Nor...

【文章頁數(shù)】：144 頁

【學位級別】：博士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究背景及意義
    1.2 醫(yī)學圖像分析研究現(xiàn)狀
    1.3 主要研究內容
    1.4 論文組織結構
第二章 醫(yī)學圖像分析基礎
    2.1 無監(jiān)督方法
        2.1.1 K均值聚類
        2.1.2 模糊C均值聚類
    2.2 監(jiān)督方法
        2.2.1 支持向量機
        2.2.2 隨機森林
    2.3 概率方法
        2.3.1 馬爾可夫隨機場
        2.3.2 條件隨機場
    2.4 深度卷積神經(jīng)網(wǎng)絡
        2.4.1 多層神經(jīng)網(wǎng)絡
        2.4.2 卷積神經(jīng)網(wǎng)絡
    2.5 常用的卷積神經(jīng)網(wǎng)絡架構
        2.5.1 LeNet-5
        2.5.2 AlexNet
        2.5.3 ZFNet
        2.5.4 VGGNet
        2.5.5 GoogleNet
        2.5.6 ResNet
        2.5.7 全卷積神經(jīng)網(wǎng)絡
    2.6 本章小結
第三章 使用深度卷積神經(jīng)網(wǎng)絡的皮膚黑色素瘤圖像分割
    3.1 引言
    3.2 卷積神經(jīng)網(wǎng)絡方法研究
    3.3 皮膚黑色素瘤圖像分割方法的改進與實驗
        3.3.1 數(shù)據(jù)集的準備
        3.3.2 黑色素瘤圖像分割神經(jīng)網(wǎng)絡的結構優(yōu)化和參數(shù)設置
    3.4 實驗結果評價和討論
    3.5 本章小結
第四章 基于分割預處理和深度學習的皮膚病變圖像分類
    4.1 引言
    4.2 皮膚病變圖像分類方法研究
    4.3 皮膚病變圖像分類方法的改進與實現(xiàn)
        4.3.1 數(shù)據(jù)集的準備
        4.3.2 皮膚病變圖像分割預處理
        4.3.3 皮膚病變分類網(wǎng)絡模型的架構優(yōu)化和參數(shù)設置
    4.4 實驗結果評價和討論
    4.5 本章小結
第五章 基于CapsNet-Hela神經(jīng)網(wǎng)絡的2D HeLa細胞熒光顯微圖像分類
    5.1 引言
    5.2 CapsNet模型方法研究
        5.2.1 膠囊單元間的傳播過程
        5.2.2 動態(tài)路由算法
        5.2.3 膠囊網(wǎng)絡的損失函數(shù)
    5.3 2D Hela圖像集分類方法的改進與實驗
        5.3.1 2 D HeLa圖像集準備和預處理
        5.3.2 2 D HeLa圖像分類
    5.4 實驗結果評價和討論
        5.4.1 實驗結果評價
        5.4.2 對損失函數(shù)的討論
        5.4.3 對路由迭代次數(shù)的討論
    5.5 本章小結
第六章 基于圖像分割預處理與CapsNet-WBC網(wǎng)絡模型的白細胞圖像分類
    6.1 引言
    6.2 白細胞圖像分割與分類的方法研究、改進與實驗
        6.2.1 白細胞圖像數(shù)據(jù)源的獲取
        6.2.2 卷積神經(jīng)網(wǎng)絡與白細胞圖像分割預處理
        6.2.3 白細胞圖像分類模型的改進與實驗
    6.3 實驗結果評價和討論
        6.3.1 實驗結果評價
        6.3.2 對損失函數(shù)的討論
        6.3.3 與其他方法的比較
    6.4 本章小結
第七章 基于深度神經(jīng)網(wǎng)絡模型的宮頸圖像分類
    7.1 引言
    7.2 宮頸圖像分類的方法研究、改進與實驗
        7.2.1 宮頸圖像分類的基本流程
        7.2.2 宮頸圖像數(shù)據(jù)源
        7.2.3 宮頸圖像分割預處理
        7.2.4 CapsNet神經(jīng)網(wǎng)絡結構改進與宮頸圖像分類
    7.3 實驗結果評價和討論
    7.4 本章小結
第八章 總結和展望
    8.1 總結
    8.2 展望
參考文獻
致謝
附錄 A 攻讀博士學位期間發(fā)表的論文
附錄 B 攻讀博士學位期間主持與參與的項目



本文編號：3772432