隨著計(jì)算機(jī)技術(shù)的發(fā)展,計(jì)算機(jī)輔助診斷系統(tǒng)(computer aided diagnosis CAD)對(duì)于病理分析及癌癥診斷具有重要的意義,己廣泛應(yīng)用于肺病的早期篩查,它一般步驟通常包括圖像的預(yù)處理過(guò)程、特征提取及圖像識(shí)別等。塵肺病是一種職業(yè)病,主要人群為農(nóng)民工患者,其工作環(huán)境較為落后,長(zhǎng)期吸入生產(chǎn)性化學(xué)粉塵并在肺內(nèi)滯留引起塵肺病。針對(duì)塵肺病CT圖上的病灶分布以及病灶周?chē)幱氨憩F(xiàn)與肺癌表現(xiàn)相近,識(shí)別檢測(cè)容易受到肺內(nèi)結(jié)節(jié)大小,形狀以及血管等肺內(nèi)組織的干擾而造成誤診的現(xiàn)狀,本文提出基于Capsule神經(jīng)網(wǎng)絡(luò)的肺病識(shí)別方法。考慮到肺部CT圖像的紋理特征中蘊(yùn)含很多醫(yī)療信息,為了對(duì)紋理特征進(jìn)行保護(hù),本文選擇灰度均值、熵以及分形維數(shù)等建立起一個(gè)紋理特征向量,且根據(jù)上下文模型采集對(duì)應(yīng)信息,基于LBG算法來(lái)預(yù)處理肺部CT圖像,通過(guò)對(duì)肺結(jié)節(jié)的檢測(cè)與提取完成肺實(shí)質(zhì)分割。又由于現(xiàn)有肺部CT圖片數(shù)據(jù)較少,且肺病特征較小,為提高網(wǎng)絡(luò)性能,對(duì)已有圖片進(jìn)行數(shù)據(jù)增強(qiáng),拓展數(shù)據(jù)集。因此,本文提出了一個(gè)基于膠囊神經(jīng)網(wǎng)絡(luò)的方法對(duì)農(nóng)民工肺部CT圖像進(jìn)行分類預(yù)測(cè),首先對(duì)卷積神經(jīng)網(wǎng)絡(luò)和遷移學(xué)習(xí)進(jìn)行介紹,其次對(duì)Capsule算法進(jìn)行...

【文章頁(yè)數(shù)】：56 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
1 緒論
    1.1研究背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
    1.3 Tensorflow深度學(xué)習(xí)框架
    1.4 本論文的主要工作內(nèi)容
    1.5 小結(jié)
2 肺部CT圖像問(wèn)題分析和總體結(jié)構(gòu)
    2.1 肺病問(wèn)題分析
    2.2 肺部CT圖像特征分析
    2.3 總體結(jié)構(gòu)
    2.4 本章小結(jié)
3 肺部圖像預(yù)處理
    3.1 基于上下文算法的圖像預(yù)處理
        3.1.1 上下文模型介紹
        3.1.2 上下文模型構(gòu)建
        3.1.3 LBG算法進(jìn)行上下文量化
    3.2 數(shù)據(jù)增強(qiáng)
        3.2.1 圖像增強(qiáng)
        3.2.2 醫(yī)學(xué)CT圖像分割方法介紹
        3.2.3 肺實(shí)質(zhì)分割
        3.2.4 候選區(qū)域的檢測(cè)
        3.2.5 肺結(jié)節(jié)特征選擇與提取
        3.2.6 假陽(yáng)性結(jié)節(jié)的過(guò)濾
    3.3 數(shù)據(jù)擴(kuò)充
    3.4 本章小結(jié)
4 基于Capsule神經(jīng)網(wǎng)絡(luò)的肺病識(shí)別方法
    4.1 卷積神經(jīng)網(wǎng)絡(luò)介紹
    4.2 遷移學(xué)習(xí)
    4.3 Capsule神經(jīng)網(wǎng)絡(luò)
    4.4 基于遷移學(xué)習(xí)的Capsule神經(jīng)網(wǎng)絡(luò)肺部CT圖像識(shí)別
    4.5 本章小結(jié)
5 實(shí)驗(yàn)結(jié)果分析
    5.1 基于CapsNet模型分類結(jié)果與分析
    5.2 本章小結(jié)
6 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
參考文獻(xiàn)
致謝



本文編號(hào)：3800562