【摘要】：癌癥是人類健康的重大威脅。癌癥早期篩查與診斷是公認(rèn)的降低癌癥死亡率的有效方法。但是,不斷惡化的癌癥形勢與專業(yè)人員的相對緊缺是當(dāng)前癌癥形勢下所面臨的一對尖銳矛盾。而癌癥的智能篩查與診斷為解決這一矛盾提供了有效途徑。近年來,人工神經(jīng)網(wǎng)絡(luò)特別是深度神經(jīng)網(wǎng)絡(luò)算法,在人工智能的各個領(lǐng)域取得了引人注目的成績。而這種以數(shù)據(jù)為驅(qū)動的機器學(xué)習(xí)算法需要從大量的數(shù)據(jù)中進行學(xué)習(xí)。隨著醫(yī)療信息化的不斷深入,醫(yī)療行業(yè)數(shù)據(jù)量增長迅速。醫(yī)療數(shù)據(jù)的不斷積累與人工神經(jīng)網(wǎng)絡(luò)的不斷發(fā)展為癌癥的智能篩查與診斷提供了有力的材料和工具。本論文主要對癌癥的智能篩查與診斷進行研究。在深入研究醫(yī)療數(shù)據(jù)的特點并廣泛分析相關(guān)研究工作的基礎(chǔ)之上,本論文提出了一系列用于癌癥智能篩查與診斷的神經(jīng)網(wǎng)絡(luò)模型,并在多個公開數(shù)據(jù)集上進行了性能評估與驗證。具體而言,本論文的主要研究工作和成果包括:提出了多視野卷積神經(jīng)網(wǎng)絡(luò)(Multi-view Convolutional Neural Networks,MV-CNN)用于肺部CT的肺結(jié)節(jié)智能診斷。CT圖像有兩個特點。第一個特點就是病灶占整個圖像很小的一部分,并且會影響周邊的組織結(jié)構(gòu),所以病灶的周邊組織環(huán)境也可以為醫(yī)療圖像的診斷提供有效信息。針對這一點,提出了多視野卷積神經(jīng)網(wǎng)絡(luò)。該模型在輸入層采用了多個信道,每個信道對應(yīng)一個不同的視野。利用這個模型在 LIDC-IDRI(Lung Image Database Consortium and Image Database Resource Initiative)數(shù)據(jù)集上進行二分類(良性和惡性)和三分類(良性、原發(fā)惡性和轉(zhuǎn)移惡性)的實驗。二分類錯誤率為5.41%;三分類錯誤率為13.91%。與其他在這個數(shù)據(jù)集上的研究相比取得了更好的分類效果。CT圖像第二個特點是由很多切片組成,這些切片連接起來描繪了內(nèi)部器官的立體結(jié)構(gòu)。針對這一特點,對上述模型進行了改進,提出了3D多視野卷積神經(jīng)網(wǎng)絡(luò)。該模型將數(shù)據(jù)和網(wǎng)絡(luò)構(gòu)架組織成3D模式,使得卷積在三個維度上進行滑動,從而能夠提取肺結(jié)節(jié)三個空間維度上的特征。與其他相關(guān)研究不同的是,網(wǎng)絡(luò)構(gòu)架采用了 Inception模塊的3D變體。在同樣的數(shù)據(jù)集上,該模型對于二分類錯誤率降低為4.59%,對于三分類錯誤率降為7.70%。提出了適用于提高結(jié)構(gòu)化數(shù)據(jù)分類性能的全連接層在前的卷積神經(jīng)網(wǎng)絡(luò)(Fully Connected Layer First Convolutional Neural Net-works,FCLF-CNN)用于基于細(xì)胞學(xué)特征的乳腺癌診斷。FCLF-CNN將全連接層置于卷積層之前,其作用在于將結(jié)構(gòu)化數(shù)據(jù)轉(zhuǎn)化為具有更好局部結(jié)構(gòu)的數(shù)據(jù)表示。在實際操作中,該模型對卷積層之前的全連接層施加了兩種損失函數(shù),同時對應(yīng)了兩種網(wǎng)絡(luò)構(gòu)架。一種是softmax損失函數(shù),對應(yīng)1DFCLF-CNN構(gòu)架;一種是均方差損失函數(shù),對應(yīng)2D FCLF-CNN構(gòu)架。然后每種構(gòu)架采用同時訓(xùn)練和分階段訓(xùn)練的兩種方式分別進行訓(xùn)練。4個FCLF-CNN的集成模型在WDBC數(shù)據(jù)集上的交叉驗證取得了 98.71%的準(zhǔn)確率、97.60%的敏感度和99.43%的特異性,在WBCD數(shù)據(jù)集上取得了99.28%的準(zhǔn)確率、98.65%的特異性和99.57%的敏感度。與其他在這兩個數(shù)據(jù)集上的研究相比取得了更好的結(jié)果�；谔岢龅腇CLF-CNN,以血常規(guī)、尿常規(guī)及腫瘤標(biāo)記物為特征,用于基于無癥狀的癌癥篩查。并在極度非均衡場景下,設(shè)計了硬分類器和軟分類器相結(jié)合的方法輸出篩查結(jié)果�；跓o癥狀的癌癥篩查面向的是極度不均衡的場景。通過理論和實驗的方法證明了硬分類器和軟分類器都會受類別不均衡程度的影響。所以基于極度非均衡場景,設(shè)計了一種新的硬分類器和軟分類器相結(jié)合的方法輸出篩查結(jié)果。對于硬分類器,使用了最大互信息原則進行閾值的選擇。對于軟分類器,采用將得分對應(yīng)的虛警率、漏報率和PPV同時輸出的策略。核心模型采用了本論文中提出的FCLF-CNN,并將其應(yīng)用于肺癌、肝癌、乳腺癌、宮頸癌及腎癌的篩查。與其他相關(guān)研究相比,其中肺癌和肝癌的模型獲得了更有競爭力的篩查性能,其AUC分別達(dá)到了 0.8887與0.9432。
【學(xué)位授予單位】：北京郵電大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2018
【分類號】：R730.4;TP18
【圖文】：

感知器靈感來自于大腦［２７］３８６。大腦的基本計算單元是神經(jīng)元。每個神經(jīng)元從樹逡逑突接收輸入信號并沿著軸突產(chǎn)生輸出信號。軸突最終分叉并通過突觸連接到其他神逡逑經(jīng)元的樹突。圖２－２的左半部分展示了－個生物神經(jīng)元的示意圖。而在圖的右半部逡逑份展示了一個ＭＬＰ的計算單元＿。這個計算單元往往也被稱為神經(jīng)元。一個神經(jīng)逡逑元會有多個輸入，如果把每個輸入看作一個向量的元素，那么每個一個神經(jīng)元的輸逡逑入就是一個向量ａ：每個元素而會乘以其對應(yīng)的權(quán)重叫，而叫逡逑是可學(xué)習(xí)的。權(quán)重控制著一個神經(jīng)元對另一個神經(jīng)元的控制強度和方向。所有的輸逡逑入通過加權(quán)進入神經(jīng)元以后再求和。如果這個和大于某個閾值信號就繼續(xù)發(fā)送。在逡逑感知器中，用激活函數(shù)來模擬這個功能。這個激活函數(shù)往往是一個非線性的函數(shù)。逡逑本章用５來表示激活函數(shù)。所以一個神經(jīng)元的計算過程可以表示為：逡逑ｎ逡逑ｙ邋＝邋ｗｉｘｉ邋＋ｂ）邐（２－１）逡逑ｉ＝ｌ逡逑其中ｙ表示這個神經(jīng)元的輸出，稱為偏置（ｂｉａｓ）。逡逑秦—逡逑圖２－２：邋—個生物神經(jīng)元的示意圖（左）以及ＭＬＰ中的一個計算單元（右）逡逑單層感知器只能解決線性分類問題，ＭＬＰ通過增加網(wǎng)絡(luò)層數(shù)來增加網(wǎng)絡(luò)表示的逡逑能力，從而可以處理更復(fù)雜的非線性分類的問題［９３１。所以ＭＬＰ由多層構(gòu)成，每個逡逑層包含很多神經(jīng)元。一個神經(jīng)元的輸出作為下一層神經(jīng)元的輸入。如果一個神經(jīng)元逡逑的輸出是另■一個神經(jīng)元的輸入，那么就認(rèn)為這兩個神經(jīng)元之間有連接。傳統(tǒng)的ＭＬＰ逡逑中同一層的yL經(jīng)元之間不存在連接

５？逡逑：媭~寪`邋＾■１邋Ｘ．邋１＾７１８邋＾７７８邋￣９９邋￣５０逡逑＼丨２２８丨２２０丨２２９丨邋２１１邋丨邋１６３！邋：１２逡逑圖２￣４：數(shù)字圖像及像素強度逡逑形狀特征等。方向梯度直方圖及局部二值模式是常用的全局特征提取方法。局部逡逑特征是從圖像的局部區(qū)域中抽取的特征，包括邊緣、角點和特別屬性的區(qū)域等。逡逑局部特征提取方法有邋ＳＵＲＦ邋（Ｓｐｅｅｄｅｄ邋Ｕｐ邋Ｒｏｂｕｓｔ邋Ｆｅａｔｕｒｅｓ）及邋ＳＩＦＴ邋（Ｓｃａｌｅ邋Ｉｎｖａｒｉａｍ逡逑Ｆｅａｔｕｒｅ邋Ｔｒａｎｓｆｏｒｍ）等。為了與ＣＮＮ相區(qū)別，這些特征提取的方法往往被稱之為手逡逑工（ｈａｎｄ－ｃｒａｆｔｅｄ）設(shè)計的特征提取方法。認(rèn)知層和情感層的圖像內(nèi)容是語義層次的逡逑特征，是對低層視覺特征到高級語義的映射［９４１。逡逑２．１．３．２卷積神經(jīng)網(wǎng)絡(luò)逡逑卷積神經(jīng)網(wǎng)絡(luò)的靈感來自于Ｈｕｂｅｉ等人在研宄貓腦皮層時所提出的感受野逡逑（ｒｅｃｅｐｔｉｖｅ邋ｆｉｌｅｄ）的理論感受野的理論認(rèn)為人對外界事物的感知是從局部到全逡逑局的，而圖像的空間聯(lián)系也是局部的像素聯(lián)系緊密，距離較遠(yuǎn)的像素相關(guān)性較弱。逡逑而卷積神經(jīng)網(wǎng)絡(luò)相鄰層之間的連接是局部連接。具體到每個神經(jīng)元，只需要對局部逡逑的圖像塊進行感知，而不需要對全局的圖像進行感知（如圖２－５所示）。除了局部逡逑迕接，卷積神經(jīng)網(wǎng)絡(luò)的相鄰層之間也是權(quán)值共享的，即Q嫞孕諾樂蔚娜ㄖ凳竅噱義賢�。这样Z舜锏鉸瞬ê吞卣魈崛〉模車

本文編號：2798290