【摘要】：目前,卷積神經(jīng)網(wǎng)絡模型已經(jīng)被廣泛應用于完成各類智能任務,例如:人臉識別、文字識別、證件/車牌識別等。其解決計算機視覺問題的強大能力已在在多個自然場景任務中得到了驗證。醫(yī)學影像輔助診斷場景是一個復雜的場景,涉及多種類型的圖像。其中包括:普通二維圖像(例如:眼底圖像,皮膚圖像),超大分辨率圖像(例如:數(shù)字病理切片圖像)和三維影像(例如:CT、MRI)。該領(lǐng)域還有許多問題有待研究,例如:是否能夠遷移已有的成功模型處理不同類型的醫(yī)學圖像并得出正確的診斷結(jié)論;模型處理能力是否能達到臨床使用要求等。本文總結(jié)了卷積神經(jīng)網(wǎng)絡在醫(yī)學影像診斷模型設(shè)計領(lǐng)域的研究進展,針對適配不同的數(shù)據(jù)格式、遷移已有的模型、特定應用場景優(yōu)化、平衡模型的速度、精度、可解釋性等指標,提高模型的可用性等問題展開研究。提出了一種普通二維醫(yī)學圖像數(shù)據(jù)處理方法,并針對糖尿病視網(wǎng)膜病變檢測場景構(gòu)建了 Trans-DRNet模型。該模型借鑒了醫(yī)生的實際診療過程,通過兩級卷積神經(jīng)網(wǎng)絡完成了對雙眼特征的有效融合,更好的表征了疾病的嚴重程度。另外,在模型求解過程中分析了不同求解方法的優(yōu)劣,闡述了不同求解方法的適用場景。實驗表明,該模型具備較強的病變圖像分類能力。提出了一種超大分辨率醫(yī)學圖像數(shù)據(jù)處理方法,并針對乳腺癌前哨淋巴結(jié)轉(zhuǎn)移檢測場景構(gòu)建了Trans-TumorNet模型。該模型結(jié)合了微觀尺度上的卷積神經(jīng)網(wǎng)絡與宏觀尺度上的形態(tài)學計算,構(gòu)建了腫瘤區(qū)域信息提取的完整鏈條,具備較強的腫瘤圖像分類能力。另外,針對如何平衡模型效率、模型性能和模型可解釋性,本文通過細致觀察醫(yī)生閱片的過程,提出了能夠利用多分辨率特征的MMFE方法用于對Trans-TumorNet模型的改進,并取得了良好的效果。提出了一種三維醫(yī)學影像數(shù)據(jù)處理方法,并針對早期肺癌篩查場景構(gòu)建了 Trans-LungNet模型。該模型利用兩個結(jié)構(gòu)完全不同的卷積神經(jīng)網(wǎng)絡分別提取結(jié)節(jié)特征和特殊組織特征,完成了對三維影像的結(jié)構(gòu)化處理。實驗表明,該模型具備較強的三維圖像分類能力。另外,在時間維度拓展方面,本文通過提出Trans-USNet模型探索了物體檢測模型在乳腺超聲結(jié)節(jié)檢測場景下的應用。該模型通過對問題的分解,將結(jié)節(jié)檢測和結(jié)節(jié)分類分為兩個階段分別處理,兼顧了視頻處理對速度的要求和臨床診斷對精度的要求。實驗表明該模型能夠高效處理視頻數(shù)據(jù),具備較強的結(jié)節(jié)檢測和分類能力。提出了一種卷積神經(jīng)網(wǎng)絡模型可用性改進的一般方法。本文指出可用性改進需要提高模型的可解釋性和易用性。對于模型的可解釋性改進,提出了利用基于分類梯度映射,標記出顯著影響診斷結(jié)果的特征來源區(qū)域的方法。對于模型易用性改進,提出了利用WebService和異步消息隊列,將模型封裝為服務的方法。同時,為了驗證該方法可有效性,本文利用這一方法對Trans-DRNet模型進行了改進,通過可解釋性改進和易用性改進分別創(chuàng)建了報告系統(tǒng)和移動應用,獲得了良好的效果。綜上所述,本文基于對卷積神經(jīng)網(wǎng)絡性質(zhì)的研究,提出了針對多種類型醫(yī)學圖像數(shù)據(jù)的處理方法,并針對多個典型場景進行了深入分析與建模實踐。指出了利用卷積神經(jīng)網(wǎng)絡構(gòu)建具體模型時所需要考慮的各方面的因素,并探索了不同圖像數(shù)據(jù)結(jié)構(gòu)下模型構(gòu)建的共性過程。本文提出的模型構(gòu)建與改進方法具有較強的通用性,對未來更大范圍的醫(yī)學圖像建模工作具有積極的指導意義。
【學位授予單位】：北京郵電大學
【學位級別】：博士
【學位授予年份】：2019
【分類號】：TP391.41;TP183
【圖文】：

型提供了思路，并為神經(jīng)網(wǎng)絡的再次崛起鋪平了道路。逡逑在ＣＮＮ中，卷積層的數(shù)據(jù)處理通常包括三個步驟。首先，卷積層通過多次計算獲得一組線性變換輸出；然后，非線性激活函數(shù)作用在每一個線性輸出上進測；最后，可以使用池化函數(shù)來更進一步地調(diào)整卷積層的輸出。這一過程包含了邋Ｃ的核心思想。逡逑２．２．２卷積計算逡逑在泛函分析中，卷積是通過兩個函數(shù)；ｃ和ｗ生成第三個函數(shù)的一種數(shù)學算子，征函數(shù)Ｘ與Ｗ經(jīng)過翻轉(zhuǎn)和平移的重疊部分的面積。逡逑設(shè)：ｘ（ａ），ｗ（ａ）是Ｍ上的兩個可積函數(shù)，作積分：逡逑＾（ｔ）邋＝邋／邋ｘ（ａ）ｗ（ｔ邋—邋ａ）ｄａ這樣，隨著ｔ的不同取值，這個積分就定義了一個新函數(shù)Ｓ（ｔ），稱為函數(shù)；Ｃ與卷積，記為：逡逑ｓ（ｔ）邋＝邋（＾邋＊邋ｗ）（ｔ）這種運算就叫做卷積運算，卷積運算通常用＊表示。逡逑其物理含義如圖２－１所示：逡逑

圖２－１展示了方形脈沖波和指數(shù)衰退脈沖波的卷積。重疊部分的面積就相當于“時刻的卷積。由于ｗ是對稱的，所以在這張圖中，翻轉(zhuǎn)并不會改變它的形狀。逡逑一般地，當使用計算機處理數(shù)據(jù)時，輸入會被離散化，需要使用離散形式的卷積事實上，從離散角度看卷積，會更加清楚。逡逑對于兩個序列ｘ（ａ）和ｗ0），一般可以將其卷積定義為：逡逑＾（０邋＾邐－邋ａ）邐２在ＣＮＮ的術(shù)語中，第一個參數(shù)（函數(shù)ｘ）叫做輸入，第二個參數(shù)（函數(shù)ｖｖ）叫核函數(shù)。輸出有時被稱為特征映射。逡逑如果把二維圖像／作為輸入，則也相應的需要使用二維的核逡逑Ｓ（ｉ，ｊ）邋＝邋（／邋＊Ｋ）（ｉ，ｊ）邋＝邋＇ＺｍＩ．ｎＫｍ，ｎ）Ｋ（ｉ邋－ｍ，ｊ邋－ｎ）邐２卷積核在計算機視覺和圖像處理中被稱為“滑動函數(shù)”，在信號處理中被稱為濾而且是線性濾波，即：輸出像素是輸入域像素的加權(quán)和。圖２－２演示了一個在二維量上的卷積運算的例子。逡逑輸入邐逡逑

逡逑圖２－２描述的是輸入數(shù)據(jù)大小為４Ｘ４，卷積核大小為２Ｘ２。在進行行列步長均逡逑為１，不經(jīng)邊界填充的卷積計算的計算步驟。經(jīng)過計算，輸出數(shù)據(jù)大小為３Ｘ３。逡逑不同的卷積核有不同的功能，例如，下面五個卷積核可以對原始圖像分別進行銳逡逑化（Ｓｈａｒｐｅｎ）、模糊（Ｂｌｕｒ）、邊緣增強（ＥｄｇｅＥｎｈａｎｃｅ）、邊緣檢測（ＥｄｇｅＤｅｔｅｃｔ）和逡逑凸�。慑澹ǎ牛恚猓铮螅螅�。逡逑■邋0邋－１邋0邋］邐ｒｉ邋ｉ邋１］邐ｒ－２邋－ｉ邋0＇逡逑Ｓｈａｒｐｅｎ邋＝邋—邋１邋５邋—１邋Ｂｌｕｒ邋—１１１邋Ｅｍｂｏｓｓ邋＝邋—邋１邋１邋１逡逑．０邋－１邋０邋Ｊ邋Ｌｌ邋１邋ｌＪ邐Ｌ邋０邋１２．逡逑■邋０邐０邋０］邐ｒｏ邋１邋Ｏ＇逡逑Ｅｄｇｅ邋Ｅｎｈａｎｃｅ邋＝—１１０邋Ｅｄｇｅ邋Ｄｅｔｅｃｔ邋＝１—４１逡逑．０邋０邋ｏＪ邐Ｌｏ邋１邋０．逡逑在實際圖像上應用這五種卷積核做滑動窗口卷積運算，結(jié)果圖２－３所示：逡逑原圖邐銳化邐模糊逡逑Ｈｉ邋Ｈｉ邋ＷＭ．逡逑ＨＩ邋Ｉ邋＾邐Ｗ％逡逑邊緣增強邐邊緣檢測邐凸印逡逑圖２－３五種卷積核的實際直觀表現(xiàn)逡逑從神經(jīng)網(wǎng)絡的角度看，卷積運算是通過三個重要的思想來幫助改進機器學習系統(tǒng)逡逑的：逡逑１、稀疏交互（ｓｐａｒｓｅ邋ｉｎｔｅｒａｃｔｉｏｎｓ）逡逑在傳統(tǒng)的深度神經(jīng)網(wǎng)絡中，使用的僅僅是在感知機基礎(chǔ)上的深度網(wǎng)絡，每一層都逡逑是全連接的，例如：一個１００Ｘ１００的圖像可以表示為一個長度為１００００的向量，如逡逑果在第一個隱藏層的節(jié)點數(shù)和輸入層一樣，那么需要的參數(shù)就達到了邋１００００Ｘ逡逑１５逡逑

【相似文獻】

相關(guān)期刊論文 前10條

1 胡悅;;金融市場中的神經(jīng)網(wǎng)絡拐點預測法[J];金融經(jīng)濟;2017年18期

2 遲惠生;陳珂;;1995年世界神經(jīng)網(wǎng)絡大會述評[J];國際學術(shù)動態(tài);1996年01期

3 吳立可;;脈沖神經(jīng)網(wǎng)絡和行為識別[J];通訊世界;2018年12期

4 林嘉應;鄭柏倫;劉捷;;基于卷積神經(jīng)網(wǎng)絡的船舶分類模型[J];信息技術(shù)與信息化;2019年02期

5 俞頌華;;卷積神經(jīng)網(wǎng)絡的發(fā)展與應用綜述[J];信息通信;2019年02期

6 韓真;凱文·哈特尼特;;為神經(jīng)網(wǎng)絡的通用理論建造基石[J];世界科學;2019年04期

7 鮑偉強;陳娟;熊濤;;基于進化神經(jīng)網(wǎng)絡的短期電力負荷預測研究[J];電工技術(shù);2019年11期

8 陳曉燕;;淺析簡單神經(jīng)網(wǎng)絡的發(fā)展及簡單模型[J];數(shù)字技術(shù)與應用;2019年05期

9 王麗華;楊秀萍;王皓;高崢翔;;智能雙輪平衡車的設(shè)計研究[J];數(shù)字技術(shù)與應用;2018年04期

10 張庭略;;基于硬件的神經(jīng)網(wǎng)絡加速[J];通訊世界;2018年08期

相關(guān)會議論文 前10條

1 孫軍田;張U

本文編號：2777964