深度學(xué)習(xí)是近些年來(lái)發(fā)展最迅速的技術(shù)之一,以深度學(xué)習(xí)為基礎(chǔ)的各類(lèi)人工智能技術(shù)已經(jīng)融入了生活的每一個(gè)角落。將深度學(xué)習(xí)應(yīng)用于醫(yī)學(xué)圖像領(lǐng)域,實(shí)現(xiàn)計(jì)算機(jī)的輔助診斷,不僅可以提高醫(yī)生的診斷效率還可以保證其診斷的準(zhǔn)確率。本文以胃部活體組織病理圖像作為研究對(duì)象,在分析傳統(tǒng)圖像處理技術(shù)和深度學(xué)習(xí)理論的基礎(chǔ)上,結(jié)合病理圖像的特點(diǎn),對(duì)胃癌病理圖像的識(shí)別與分割技術(shù)進(jìn)行了研究。本文的主要研究?jī)?nèi)容如下:（1）實(shí)現(xiàn)了基于遷移學(xué)習(xí)的胃癌病理圖像識(shí)別。本文分析了深度學(xué)習(xí)、圖像處理等相關(guān)技術(shù)優(yōu)缺點(diǎn),提出使用遷移學(xué)習(xí)來(lái)完成對(duì)網(wǎng)絡(luò)的預(yù)訓(xùn)練以及初始化,通過(guò)與未進(jìn)行預(yù)訓(xùn)練的同一模型進(jìn)行結(jié)果的對(duì)比與分析,實(shí)驗(yàn)表明基于遷移學(xué)習(xí)的識(shí)別算法在準(zhǔn)確率上要遠(yuǎn)遠(yuǎn)高于未進(jìn)行遷移的算法。其中,基于遷移學(xué)習(xí)的Res Net-50網(wǎng)絡(luò)分別在訓(xùn)練集和測(cè)試集上達(dá)到了98.7%和95.1%的識(shí)別準(zhǔn)確率。（2）實(shí)現(xiàn)了兩種針對(duì)癌組織細(xì)胞的分割算法:基于卷積神經(jīng)網(wǎng)絡(luò)（CNNs）的分割算法和基于U-Net的分割算法�；贑NNs的算法是在研究總結(jié)普通圖像識(shí)別技術(shù)的基礎(chǔ)上,提出將圖像等分成若干網(wǎng)格,對(duì)每個(gè)網(wǎng)格進(jìn)行單獨(dú)的分類(lèi),最后將所有分類(lèi)結(jié)果匯總以達(dá)到分割的效果。該... 

【文章來(lái)源】：杭州電子科技大學(xué)浙江省

【文章頁(yè)數(shù)】：65 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 課題研究的目的和意義
    1.2 課題國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 國(guó)外研究現(xiàn)狀分析
        1.2.2 國(guó)內(nèi)研究現(xiàn)狀分析
    1.3 論文的主要內(nèi)容及結(jié)構(gòu)安排
        1.3.1 論文的主要內(nèi)容
        1.3.2 論文的結(jié)構(gòu)安排
第2章 卷積神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介
    2.1 卷積神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)
        2.1.1 卷積層
        2.1.2 池化層
        2.1.3 激活函數(shù)
        2.1.4 全連接層和輸出層
    2.2 網(wǎng)絡(luò)訓(xùn)練
        2.2.1 前向傳播
        2.2.2 反向傳播
    2.3 卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展歷史
    2.4 本章小結(jié)
第3章 深度學(xué)習(xí)的優(yōu)化策略
    3.1 初始化策略
    3.2 方差與偏差分析
        3.2.1 L2范數(shù)正則化
        3.2.2 Dropout正則化
    3.3 梯度下降算法
    3.4 學(xué)習(xí)率衰減
    3.5 批歸一化
    3.6 本章小結(jié)
第4章 基于遷移學(xué)習(xí)的胃癌病理圖像分類(lèi)
    4.1 遷移學(xué)習(xí)
    4.2 遷移學(xué)習(xí)模型
        4.2.1 VGG16網(wǎng)絡(luò)
        4.2.2 Goog Le Net網(wǎng)絡(luò)
        4.2.3 Res Net網(wǎng)絡(luò)
    4.3 實(shí)驗(yàn)結(jié)果與分析
        4.3.1 實(shí)驗(yàn)環(huán)境介紹
        4.3.2 實(shí)驗(yàn)數(shù)據(jù)準(zhǔn)備
        4.3.3 數(shù)據(jù)增強(qiáng)
        4.3.4 實(shí)驗(yàn)結(jié)果分析
    4.4 本章小結(jié)
第5章 癌細(xì)胞區(qū)域輪廓檢測(cè)
    5.1 圖像分割算法簡(jiǎn)介
        5.1.1 傳統(tǒng)圖像分割算法
        5.1.2 基于深度學(xué)習(xí)的語(yǔ)義分割算法
    5.2 深度學(xué)習(xí)分割算法模型
        5.2.1 全卷積神經(jīng)網(wǎng)絡(luò)
        5.2.2 U-NET網(wǎng)絡(luò)
    5.3 癌組織區(qū)域分割算法
        5.3.1 基于CNNs的分割算法
        5.3.2 基于U-Net的分割算法
    5.4 實(shí)驗(yàn)結(jié)果分析
        5.4.1 數(shù)據(jù)集介紹
        5.4.2 基于CNNs的分割結(jié)果
        5.4.3 基于U-Net的分割結(jié)果
        5.4.4 結(jié)果分析
    5.5 本章小結(jié)
第6章 總結(jié)與展望
    6.1 本文研究工作總結(jié)
    6.2 進(jìn)一步研究展望
致謝
參考文獻(xiàn)
附錄


【參考文獻(xiàn)】：
期刊論文
[1]基于深度學(xué)習(xí)的胃癌病理圖像分類(lèi)方法[J]. 張澤中,高敬陽(yáng),呂綱,趙地.  計(jì)算機(jī)科學(xué). 2018(S2)
[2]遷移學(xué)習(xí)研究綜述[J]. 王惠.  電腦知識(shí)與技術(shù). 2017(32)
[3]結(jié)合卷積神經(jīng)網(wǎng)絡(luò)和超像素聚類(lèi)的細(xì)胞圖像分割方法[J]. 楊金鑫,楊輝華,李靈巧,潘細(xì)朋,劉振丙,周潔茜.  計(jì)算機(jī)應(yīng)用研究. 2018(05)
[4]基于交叉熵的神經(jīng)網(wǎng)絡(luò)在病理圖像分析中的應(yīng)用[J]. 全宇,王忠慶,何苗.  中國(guó)醫(yī)科大學(xué)學(xué)報(bào). 2009(06)

博士論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的醫(yī)學(xué)圖像癌變識(shí)別研究[D]. 薛迪秀.中國(guó)科學(xué)技術(shù)大學(xué) 2017

碩士論文
[1]基于遷移學(xué)習(xí)的阿爾茨海默病早期診斷算法研究[D]. 劉永林.曲阜師范大學(xué) 2019
[2]基于深度學(xué)習(xí)的粗標(biāo)記胃癌病理切片圖像分割算法[D]. 南洋.湖南大學(xué) 2018



本文編號(hào)：3129994