作為一種非侵入式現(xiàn)代醫(yī)學(xué)成像技術(shù),無線膠囊內(nèi)窺鏡技術(shù)已經(jīng)廣泛應(yīng)用于胃腸道疾病檢查。然而,產(chǎn)生的海量數(shù)據(jù)給醫(yī)生帶來了沉重的負(fù)擔(dān),利用計算機(jī)輔助醫(yī)生智能診斷是當(dāng)前迫切的需求。出血癥狀是許多胃腸道疾病常見的綜合癥狀,而微小出血病灶對于諸如早期胃癌等疾病的早期發(fā)現(xiàn)尤為重要。因此,構(gòu)建針對內(nèi)窺鏡圖像中出血病灶,尤其是微小出血病灶點的檢測方法,具有重要的理論和實際意義。針對微小出血病灶的檢測提出了一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的檢測模型。首先構(gòu)建基礎(chǔ)特征提取網(wǎng)絡(luò),通過深度卷積神經(jīng)網(wǎng)絡(luò)從圖像中自動提取特征。然后,再利用多尺度區(qū)域建議神經(jīng)網(wǎng)絡(luò)從特征金字塔中篩選出出血目標(biāo)的候選區(qū)域,事先篩選出目標(biāo)可能存在的區(qū)域不僅可以突出目標(biāo)特征,且有助于減少無效特征的融合。之后,再通過構(gòu)建自頂向下的特征融合網(wǎng)絡(luò),實現(xiàn)對目標(biāo)淺層特征和深層特征的融合,通過融合不同層次特征解決了微小出血病灶特征丟失問題導(dǎo)致無法有效檢測的問題,從而實現(xiàn)對微小出血病灶的精準(zhǔn)檢測。利用真實的臨床數(shù)據(jù)對模型進(jìn)行訓(xùn)練和測試,實驗結(jié)果表明在包含微小出血病灶的圖像數(shù)據(jù)集上,基于深度卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建的多尺度特征融合出血檢測方法在靈敏度、準(zhǔn)確率和F_1<...

【文章頁數(shù)】：61 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖2-2卷積神經(jīng)網(wǎng)絡(luò)典型結(jié)構(gòu)

圖2-2卷積神經(jīng)網(wǎng)絡(luò)典型結(jié)構(gòu)卷積神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)主要由輸入層、卷積層，采樣層（也稱池化層）、全連接層和輸出層組成。從輸入圖像開始，首先通過卷積層和采樣層對圖像進(jìn)行特征提取，然后再通過全連接層對特征進(jìn)行分類，全連接層相當(dāng)于起了分類器的作用。（1）卷積層卷積神經(jīng)網(wǎng)絡(luò)是利用卷積層....

圖2-3原始圖像和特征圖

華中科技大學(xué)碩士學(xué)位論文（3）全連接層全連接層作用是將輸入的高維特征轉(zhuǎn)換為一維特征，方便后續(xù)分類。全連接神經(jīng)單元可以看成是一個多項式函數(shù)，有時候只有一層全連接層很難解決題，因此一般會使用兩個及以上的全連接層。由于全連接層的參數(shù)可占整個的80%左右，往往存....

圖4-5各項指標(biāo)統(tǒng)計結(jié)果

適用于復(fù)雜出血情況圖像的檢測。如圖4-4所示，圖（a）（c）是針對僅包含微小出血病灶圖像的檢測結(jié)果，圖（d）是包含中等目標(biāo)尺寸的出血病灶圖像檢測結(jié)果，圖（e）是同時包含中等目標(biāo)尺寸和微小目標(biāo)尺寸的復(fù)雜出血病灶圖像的檢測結(jié)果，圖（f）是同時包含大目標(biāo)尺寸和微小目標(biāo)尺寸的復(fù)雜出....

圖4-6P-R曲線對比

圖4-6P-R曲線對比在檢測時間方面，拍攝幀率是每秒2張的速度進(jìn)行拍攝，即拍攝一張WCE圖像需要花費0.5s。通過統(tǒng)計每次檢測耗費的時間，計算得到每次檢測耗費時間的平均值發(fā)現(xiàn)，當(dāng)候選區(qū)域建議數(shù)目設(shè)置為300時，平均檢測速度為0.07s/張圖像，當(dāng)區(qū)域建議數(shù)目....

本文編號：4003869