醫(yī)學(xué)圖像分析是醫(yī)學(xué)研究、診斷和治療中必不可少的技術(shù)手段和工具,其主要作用是從醫(yī)學(xué)圖像中提取隱含的重要生理、病理信息或知識(shí),因而其重要性和難度均很大。深度學(xué)習(xí)已顯示出在挖掘海量、高維數(shù)據(jù)的內(nèi)在結(jié)構(gòu)等方面的突出能力,但目前基于深度學(xué)習(xí)的醫(yī)學(xué)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(xì)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(xué)圖像為對(duì)象,從圖像預(yù)處理、訓(xùn)練集擴(kuò)增、深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)選擇與改進(jìn)、圖像分析效果評(píng)價(jià)等方面,對(duì)面向醫(yī)學(xué)圖像分析的深度學(xué)習(xí)方法進(jìn)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(dòng)分析(特征學(xué)習(xí)和分割)的改進(jìn)CNN(Convolutional Neural Networks,卷積神經(jīng)網(wǎng)絡(luò))結(jié)構(gòu),以更好地區(qū)分難辨病變?nèi)缟匕唿c(diǎn)痣與臨床待定病變,減少篩查錯(cuò)誤和提高皮膚癌診斷的準(zhǔn)確率。其要點(diǎn)是:利用非線性激活函數(shù)ReLU和ELU來(lái)有效地緩解梯度消失問(wèn)題;利用RMSprop和Adam優(yōu)化與損失算法,以實(shí)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(yè)數(shù)】：144 頁(yè)

【學(xué)位級(jí)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(xué)圖像分析研究現(xiàn)狀
    1.3 主要研究?jī)?nèi)容
    1.4 論文組織結(jié)構(gòu)
第二章 醫(yī)學(xué)圖像分析基礎(chǔ)
    2.1 無(wú)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(jī)
        2.2.2 隨機(jī)森林
    2.3 概率方法
        2.3.1 馬爾可夫隨機(jī)場(chǎng)
        2.3.2 條件隨機(jī)場(chǎng)
    2.4 深度卷積神經(jīng)網(wǎng)絡(luò)
        2.4.1 多層神經(jīng)網(wǎng)絡(luò)
        2.4.2 卷積神經(jīng)網(wǎng)絡(luò)
    2.5 常用的卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)
        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(luò)
    2.6 本章小結(jié)
第三章 使用深度卷積神經(jīng)網(wǎng)絡(luò)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(luò)方法研究
    3.3 皮膚黑色素瘤圖像分割方法的改進(jìn)與實(shí)驗(yàn)
        3.3.1 數(shù)據(jù)集的準(zhǔn)備
        3.3.2 黑色素瘤圖像分割神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)優(yōu)化和參數(shù)設(shè)置
    3.4 實(shí)驗(yàn)結(jié)果評(píng)價(jià)和討論
    3.5 本章小結(jié)
第四章 基于分割預(yù)處理和深度學(xué)習(xí)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(jìn)與實(shí)現(xiàn)
        4.3.1 數(shù)據(jù)集的準(zhǔn)備
        4.3.2 皮膚病變圖像分割預(yù)處理
        4.3.3 皮膚病變分類網(wǎng)絡(luò)模型的架構(gòu)優(yōu)化和參數(shù)設(shè)置
    4.4 實(shí)驗(yàn)結(jié)果評(píng)價(jià)和討論
    4.5 本章小結(jié)
第五章 基于CapsNet-Hela神經(jīng)網(wǎng)絡(luò)的2D HeLa細(xì)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(guò)程
        5.2.2 動(dòng)態(tài)路由算法
        5.2.3 膠囊網(wǎng)絡(luò)的損失函數(shù)
    5.3 2D Hela圖像集分類方法的改進(jìn)與實(shí)驗(yàn)
        5.3.1 2 D HeLa圖像集準(zhǔn)備和預(yù)處理
        5.3.2 2 D HeLa圖像分類
    5.4 實(shí)驗(yàn)結(jié)果評(píng)價(jià)和討論
        5.4.1 實(shí)驗(yàn)結(jié)果評(píng)價(jià)
        5.4.2 對(duì)損失函數(shù)的討論
        5.4.3 對(duì)路由迭代次數(shù)的討論
    5.5 本章小結(jié)
第六章 基于圖像分割預(yù)處理與CapsNet-WBC網(wǎng)絡(luò)模型的白細(xì)胞圖像分類
    6.1 引言
    6.2 白細(xì)胞圖像分割與分類的方法研究、改進(jìn)與實(shí)驗(yàn)
        6.2.1 白細(xì)胞圖像數(shù)據(jù)源的獲取
        6.2.2 卷積神經(jīng)網(wǎng)絡(luò)與白細(xì)胞圖像分割預(yù)處理
        6.2.3 白細(xì)胞圖像分類模型的改進(jìn)與實(shí)驗(yàn)
    6.3 實(shí)驗(yàn)結(jié)果評(píng)價(jià)和討論
        6.3.1 實(shí)驗(yàn)結(jié)果評(píng)價(jià)
        6.3.2 對(duì)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(jié)
第七章 基于深度神經(jīng)網(wǎng)絡(luò)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(jìn)與實(shí)驗(yàn)
        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(yù)處理
        7.2.4 CapsNet神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)改進(jìn)與宮頸圖像分類
    7.3 實(shí)驗(yàn)結(jié)果評(píng)價(jià)和討論
    7.4 本章小結(jié)
第八章 總結(jié)和展望
    8.1 總結(jié)
    8.2 展望
參考文獻(xiàn)
致謝
附錄 A 攻讀博士學(xué)位期間發(fā)表的論文
附錄 B 攻讀博士學(xué)位期間主持與參與的項(xiàng)目



本文編號(hào)：3772432