在癌癥治療過程中,對腫瘤進行早期的準確診斷、定位、識別是對其進行后續(xù)治療的關鍵。本文圍繞乳腺癌的檢測精度與速度,對深度學習技術在數(shù)字病理圖像的乳腺癌檢測中的分割精度和效率進行系統(tǒng)的分析和研究,并且提出多分辨率結(jié)合的全片預測,實現(xiàn)數(shù)字化乳腺組織全切片的病變區(qū)域診斷,為人工閱片提供計算機輔助診斷,論文的主要研究工作有以如下幾點:1、針對Unet分割精度低問題,提出了AC-Unet分割模型,在傳統(tǒng)分割模型Unet基礎上進行3點改進:1)減少池化層,減緩小像素目標的丟失;2)編碼階段引入空洞卷積,增大網(wǎng)絡的感受野,提升分割精度;3)引入ResNet網(wǎng)絡中的類殘差結(jié)構(gòu)與特征融合方式,強化語義特征信息。對改進模型進行實驗結(jié)果分析,相對于其他方法的Unet模型、TernausNet模型,AC-Unet模型取得了較好的效果,mIoU值分別提升了10.5%和8.81%。2、針對分割模型實際運用時分割效率問題,提出一種具有高效率的DS-AC-Unet分割模型,在高精度的分割模型AC-Unet基礎上進行3點改進:1)引入深度可分離卷積,優(yōu)化網(wǎng)絡參數(shù),提升模型運行速度;2)在空洞卷積層后加入BN層,加快模型的... 

【文章來源】：華僑大學福建省

【文章頁數(shù)】：72 頁

【學位級別】：碩士

【部分圖文】：

深度學習助力醫(yī)學圖像

第1章緒論51.2.2基于卷積神經(jīng)的語義分割研究現(xiàn)狀1943年心理學家McCulloch和數(shù)學邏輯學家Pitts建立最早的神經(jīng)網(wǎng)絡MP模型[19]。Hebb在1949年，對生物神經(jīng)網(wǎng)絡提出了學習的思想[20]，在1958年，感知器模型及其學習算法被Rosenblantt提出[21]，到了20世紀八十年代，感知機模型引發(fā)了神經(jīng)網(wǎng)絡的重生[22]，最受研究者歡迎的模型包括：Hopfied神經(jīng)網(wǎng)絡[23]、玻爾茲曼機(RBM)[24]和多層感知機(MLP)[25]，多層感知機最早是通過數(shù)據(jù)的分組訓練[26]，一種由多層節(jié)點相有向圖構(gòu)成的前饋的神經(jīng)網(wǎng)絡相構(gòu)成多層感知機[27]。圖像分割與目標檢測等其他圖像處理領域是由卷積神經(jīng)網(wǎng)絡從最初被設計出來圖像分類的網(wǎng)絡發(fā)展而來，只是被后續(xù)的研究通過修改卷積神經(jīng)網(wǎng)絡結(jié)構(gòu)將其拓展到如今蓬勃發(fā)展的趨勢。深度學習模型的輸入數(shù)據(jù)是未經(jīng)過任何人工處理過的原始樣本形式，再通過堆疊在輸入層上眾多操作層對數(shù)據(jù)進行處理。卷積層堆疊操作整體可看作一個復雜的函數(shù)fCNN，深度模型的訓練則在最終損失函數(shù)的損失值的驅(qū)動下對模型進行參數(shù)更新，還將誤差反向傳播[28]，由損失函數(shù)由數(shù)據(jù)損失和數(shù)據(jù)的正則化損失共同組成至整個網(wǎng)絡層。卷積神經(jīng)網(wǎng)絡的訓練過程可以簡單抽象為從原始數(shù)據(jù)向數(shù)據(jù)標簽的進行擬合，中間的這些運算部件起到了將原始數(shù)據(jù)映射為相關的語義特征，再映射為標記樣本的作用。卷積神經(jīng)網(wǎng)絡基本流程框圖如下圖1-2所示：圖1-2卷積神經(jīng)網(wǎng)絡基本流程圖

華僑大學碩士學位論文6基于卷積神經(jīng)網(wǎng)絡算法在物體識別和分類領域效果卓越，將圖像的分類思想運用于對圖像中的目標進行像素級別分類，也就是如今的語義分割。醫(yī)學圖像太大而且難以處理，早期的工作方向是通過對整張輸入圖像進行滑動窗口切片。基于卷積神經(jīng)網(wǎng)絡的語義分割模型的目標就是通過自頂向下的方式得到一個深度學習模型，基于卷積神經(jīng)網(wǎng)絡的語義分割模型能夠?qū)斎雸D像中的每一個像素準確預測，經(jīng)過模型測試后可將每一個像素進行預測出一個具有語義的像素標簽，預測出的像素標簽中的每一個顏色對應一個類別，語義分割其流程圖如圖1-3所示。圖1-3語義分割流程圖在2015年，全卷積神經(jīng)網(wǎng)絡（FullyConvolutionNetwork,FCN）語義分割模型[29]被提出以來，如圖1-4所示。該方法的強大的優(yōu)勢讓人們重新定義了語義分割。過去人們對于圖像的語義分割的認識只有區(qū)域級別的聚類，到現(xiàn)在深度學習技術的發(fā)展轉(zhuǎn)變成了像素級別的分類。一般來說如今出現(xiàn)的基于卷積神經(jīng)網(wǎng)絡模型的語義分割算法都是基于FCN模型改進和演化的產(chǎn)物�；谶w移學習的FCN來完成語義分割任務，這種方法使用VGG16[30]作為特征提取器，去掉了VGG16中最后的池化層以及全連接層，并使用VGG16中32


本文編號：2966018