癌癥是當前醫(yī)學最大的難題之一,并且相對于6發(fā)達國家的癌癥治愈率60%⁷0%,目前我國的癌癥存活率僅僅為20%⁴0%。在醫(yī)療水平上,我國醫(yī)療技術并不與發(fā)達國家有太大差異,但是由于發(fā)達國家相對于我國有著較高的早期癌癥篩查率,故癌癥發(fā)現(xiàn)早,并且大多發(fā)現(xiàn)為早期,很大程度上為治療減輕了難度,提高了癌癥的治愈率與存活時間。在所有癌癥中,對女性威脅最大的為乳腺癌,而早期的乳腺癌治愈率最高能達到95%。癌癥通常的檢測手段有:血液檢測,宮頸涂片,活體穿刺,腸胃鏡,X光,B超,鉬靶攝片等,大多數(shù)檢測手段有其特定檢測癌癥范圍。在所有的癌癥檢測手段中,鉬靶攝片、B超、活體穿刺三種為最常使用的檢測乳腺癌手段,但是鉬靶攝片有著輻射性、不同場景難適用性、檢測次數(shù)限制性等缺點,而活體穿刺則有著會對患者造成生理上的創(chuàng)傷,增加了患者的病灶恢復壓力,以及可能會出現(xiàn)傷口感染的風險。B超相對另外兩種檢測手段來說在這些缺點上有著自己的優(yōu)勢,以及B超能靈活的拍攝各個角度、部位的影像的特性,因此B超是最常適用于乳腺癌檢查的手段之一。綜上所述如何通過乳腺超聲影像,提高對病灶的分析,并以此提高... 

【文章來源】：武漢紡織大學湖北省

【文章頁數(shù)】：57 頁

【學位級別】：碩士

【部分圖文】：

國家癌癥中心發(fā)布2017年中國最新癌癥數(shù)據(jù)

2基于深度學習的圖片分割模型研究62基于深度學習的圖片分割模型研究對于醫(yī)學圖像分割的模型，主要有兩種，一種是基于CNN(ConvolutionalNeuralNetwork)也就是卷積神經網(wǎng)絡的模型，一種是基于FCN(FullConvolutionalNetworks)也就是全卷積神經的模型。神經網(wǎng)絡其運算原理就像其名字，運算方式如同神經元一般。如圖2.1所示，神經元主要由三個部分組成:樹突，也就是輸入端，其輸入可能是來自于神經元的“感受”，也可能是來自于其他神經元的“計算”；軸突，也就是輸出端，當神經元胞體激活輸出信號時，信息傳遞給下一神經元；細胞體，也就是計算機制，對樹突傳輸?shù)男畔⑦M行計算，并且決定是否激活輸出信號，使信息通過軸突傳遞到下一神經元。神經網(wǎng)絡的結構也主要由輸入層、輸出層、隱藏層三層組成，對解決某一類問題函數(shù)進行近似估算。圖2.1神經元生物結構圖示2.1卷積神經網(wǎng)絡卷積神經網(wǎng)絡的計算簡單來說就是將每個像素點作為一張圖，輸入神經網(wǎng)絡進行訓練，并且將每個點進行對應的標簽像素點進行二分類，其中標簽像素點像素值為1的點為正分類，標簽像素點像素值為0的點為負分類，卷積神經網(wǎng)絡計算過程如圖2.2所示。

2基于深度學習的圖片分割模型研究7圖2.2ConvolutionalNeuralNetworks原文中計算過程卷積神經網(wǎng)絡通常包含有：輸入層、卷積層、激活函數(shù)、池化層、全連接層[32]。卷積層為卷積核在圖像上進行卷積過程，提取圖像特征。當輸入信息變化不大時，可能會導致輸出結構變成完全不同的結果，為了解決這一問題，模擬細微變化情況，使得輸入和輸出不僅僅是0和1，而可以是0和1中間的任何數(shù)字，所以在卷積神經網(wǎng)絡中加入激活函數(shù)[33]。池化層的作用是對計算過后得到的特征圖進行壓縮，其優(yōu)點是可以簡化計算信息復雜度，提高計算效率，而且壓縮過后的特征圖能夠更好的通過卷積計算出更重要的特征。基本池化方式有四種[34]：平均池化(MeanPooling),對池化核中的像素求平均值作為該池化區(qū)域的值；最大值池化(MaxPooling)，對池化核中的像素取其最大值最為該池化區(qū)域的值；重疊池化(OverlappingPooling)，池化核選取的區(qū)域會有重疊區(qū)域，其中，重疊區(qū)域會小于池化步長；空金字塔池化(SpatialPyramidPooling)，其操作可以將任意尺度的卷積后的特征圖轉換成同一維度，也就是使得卷積神經網(wǎng)絡能夠對任何尺度的圖片進行計算，使得卷積神經網(wǎng)絡不需要對圖像進行剪裁以及扭曲等操作避免圖片信息的遺失。全連接層的意義是將每一層的卷積特征進行連接，傳輸給分類器，通過全連接層，可以使得更多的特征信息被判斷，提高分類的準確率。

【參考文獻】：
期刊論文
[1]基于全卷積神經網(wǎng)絡遷移學習的乳腺腫塊圖像分割[J]. 徐勝舟,程時宇.  中南民族大學學報(自然科學版). 2019(02)
[2]基于卷積神經網(wǎng)絡的多任務圖像語義分割[J]. 梁博,于蕾,李爽.  無線電工程. 2019(07)
[3]高校數(shù)據(jù)中心Docker容器應用的安全體系設計[J]. 謝超群.  網(wǎng)絡安全技術與應用. 2019(05)
[4]基于容器技術的軟件測試優(yōu)化研究[J]. 劉錢超,董超群,張垚.  計算機技術與發(fā)展. 2019(04)
[5]基于改進全卷積網(wǎng)絡的皮膚病變圖像分割[J]. 楊國亮,洪志陽,王志元,龔曼.  計算機工程與設計. 2018(11)
[6]基于網(wǎng)絡圖片數(shù)據(jù)庫與深度學習的人臉表情識別[J]. 趙澎楨.  中國高新科技. 2018(19)
[7]基于改進卷積神經網(wǎng)絡結合支持向量機的行人檢測算法[J]. 焦佳麗,李雷.  電視技術. 2018(09)
[8]年輕女性乳腺包塊的X線及MRI征象分析[J]. 馬佳琪,梁秀芬,戴強,王茵,李宏娟,申甜,宋張駿,楊曉民,袁勇.  現(xiàn)代腫瘤醫(yī)學. 2018(18)
[9]基于卷積神經網(wǎng)絡的視頻人臉檢測與識別[J]. 李淑.  電腦知識與技術. 2018(21)
[10]基于監(jiān)督的全卷積神經網(wǎng)絡視網(wǎng)膜血管分割[J]. 王娜,傅迎華,蔣念平.  軟件導刊. 2018(08)



本文編號：2933151