胸部X光檢查是世界上最常見的一種醫(yī)學(xué)成像檢查,對于診斷包括肺結(jié)核和肺癌在內(nèi)的多種胸科疾病至關(guān)重要,每年有超過20億次的使用。而完全依賴放射科醫(yī)生進(jìn)行胸片診斷的方法不僅效率較低,而且診斷的結(jié)果與醫(yī)生的專業(yè)能力水平相關(guān),甚至可能出現(xiàn)因為閱片疲勞導(dǎo)致的誤診,診斷的準(zhǔn)確性難以得到有效保障。因此,研究一種胸片輔助診斷算法具有非常重要的現(xiàn)實意義。傳統(tǒng)的胸片輔助診斷算法依賴算法設(shè)計者根據(jù)特定的疾病特征,例如病灶的形狀、大小、灰度等,手動進(jìn)行特征提取,再通過對提取的特征進(jìn)行分析,實現(xiàn)對疾病的輔助診斷,但是這種方法必須針對不同的疾病特征設(shè)計不同的特征提取方法,費時費力。而深度學(xué)習(xí)以其優(yōu)秀的自動特征提取能力在圖像識別領(lǐng)域取得巨大的成功,利用深度學(xué)習(xí)來進(jìn)行胸片疾病的輔助診斷已經(jīng)成為了當(dāng)前的研究熱點。因此,本文在深度學(xué)習(xí)的基礎(chǔ)上,提出了一種多網(wǎng)絡(luò)特征融合的胸片輔助診斷算法。該算法主要由三個部分組成,第一部分是特征提取,算法使用了殘差網(wǎng)絡(luò)（ResNet）和密集連接網(wǎng)絡(luò)（DenseNet）兩個不同的神經(jīng)網(wǎng)絡(luò)分別進(jìn)行特征提取,兩個網(wǎng)絡(luò)結(jié)構(gòu)相互獨立,各自進(jìn)行特征提取,同時為了加快算法的訓(xùn)練速度,用作特征提取的網(wǎng)絡(luò)中的... 

【文章來源】：廣東工業(yè)大學(xué)廣東省

【文章頁數(shù)】：62 頁

【學(xué)位級別】：碩士

【部分圖文】：

人工智能、機(jī)器學(xué)習(xí)與深度學(xué)習(xí)的關(guān)系

圖 2-2 傳統(tǒng)機(jī)器學(xué)習(xí)與深度學(xué)習(xí)的差異Fig.2-2 Differences between traditional machine learning and deep learning圖 2-2 可以看出，深度學(xué)習(xí)將傳統(tǒng)機(jī)器學(xué)習(xí)中最為繁雜的手工特征提取代替特征學(xué)習(xí)，使得深度學(xué)習(xí)算法不與特定的具體任務(wù)耦合，可以方面的推廣

圖 2-3 數(shù)據(jù)量對傳統(tǒng)機(jī)器學(xué)習(xí)與深度學(xué)習(xí)的影響ffect of data volume on traditional machine learning and d出，當(dāng)數(shù)據(jù)量規(guī)模較小時，傳統(tǒng)機(jī)器學(xué)習(xí)算法的當(dāng)數(shù)據(jù)量增大時，深度學(xué)習(xí)算法的性能便遠(yuǎn)遠(yuǎn)超

【參考文獻(xiàn)】：
期刊論文
[1]深度卷積神經(jīng)網(wǎng)絡(luò)胸片肺結(jié)節(jié)分類識別研究[J]. 陳壽宏,柳馨雨,馬峻,康懷強(qiáng).  計算機(jī)工程與應(yīng)用. 2018(24)
[2]基于卷積神經(jīng)網(wǎng)絡(luò)的胸片肺結(jié)節(jié)檢測[J]. 朱國策,李朝鋒.  傳感器與微系統(tǒng). 2017(12)
[3]基于深度學(xué)習(xí)的醫(yī)學(xué)影像診斷綜述[J]. 張巧麗,趙地,遲學(xué)斌.  計算機(jī)科學(xué). 2017(S2)
[4]模式分類中的特征融合方法[J]. 劉渭濱,鄒智元,邢薇薇.  北京郵電大學(xué)學(xué)報. 2017(04)
[5]深度學(xué)習(xí)研究與進(jìn)展[J]. 孫志遠(yuǎn),魯成祥,史忠植,馬剛.  計算機(jī)科學(xué). 2016(02)

碩士論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的肺結(jié)節(jié)檢測方法研究[D]. 林春偉.華南理工大學(xué) 2017



本文編號：3072578