全球女性健康都在遭受著乳腺癌的嚴重威脅,臨床上醫(yī)生主要依靠對乳腺圖像的分析得出是否存在病變,存在著誤診漏診的風險。隨著圖像處理技術的發(fā)展,利用計算機輔助乳腺癌診斷成為近年來研究的熱點,但由于噪聲干擾、腫塊形狀各異等原因,要實現(xiàn)乳腺癌的精確快速診斷還存在著一些困難。本文針對乳腺癌圖像的良惡性分類進行研究,主要工作內容和創(chuàng)新成果如下:1)針對乳腺癌病變圖像存在清晰度不高、與乳腺軟組織的對比度較低等問題,提出針對乳腺癌圖像特點的預處理方法。提取出腫塊病變區(qū),采用中值濾波去噪、直方圖均衡化增強圖像,既去除了大部分的冗余數(shù)據(jù)和噪聲,又保留了邊緣信息。同時對乳腺癌圖像進行旋轉、裁剪、在水平和垂直方向作鏡像等操作進行數(shù)據(jù)增強,避免了樣本量不足時易出現(xiàn)的過擬合問題,為后續(xù)的實驗奠定了良好的數(shù)據(jù)基礎。2)針對小樣本數(shù)據(jù)集在訓練模型時易出現(xiàn)的過擬合問題,提出在卷積神經(jīng)網(wǎng)絡結構的全連接層前后和卷積層都加入Dropout層進行抑制。實驗證明,該方法能夠有效提高模型的泛化能力;并構建了三個結構與參數(shù)不同的卷積神經(jīng)網(wǎng)絡模型,通過實驗研究了優(yōu)化算法、學習率和卷積核大小等參數(shù)對模型分類性能的影響,結果表明,通過對模型... 

【文章來源】：河北工業(yè)大學天津市 211工程院校

【文章頁數(shù)】：67 頁

【學位級別】：碩士

【部分圖文】：

EarlyStopping策略

所使用的乳腺癌圖像數(shù)據(jù)集BCDR-F03[50]是乳腺癌匿名患者病例的匯編,由放射科專家醫(yī)師注釋，共包含平均年齡為56歲的344名女性患者736張經(jīng)活檢證實良惡性的病變圖像，每幅圖像只有一個腫塊。該數(shù)據(jù)集中共有惡性乳腺腫塊310例，良性乳腺腫塊426例。實驗中分別隨機取良性乳腺腫塊和惡性乳腺腫塊作為訓練集和測試集，二者的比例是7:3。在該數(shù)據(jù)集中,放射科專家醫(yī)師提供了該數(shù)據(jù)集標有虛線點的可疑區(qū)域，具體如圖3.1所示，其中前兩幅圖像中紅色標注的圖像部位為惡性腫塊區(qū)域，后兩幅圖像中綠色標注的圖像部位為良性腫塊區(qū)域。圖3.1BCDR-F03數(shù)據(jù)集中的惡性和良性乳腺腫瘤示例圖3.3乳腺癌圖像的預處理由于乳腺癌圖像清晰度不夠高，含噪點，且腫塊邊緣模糊性較高，對乳腺癌圖像分類造成了較大影響。所以為了更好地自主學習和提取特征，需要對乳腺癌病變圖像進行適當?shù)膱D像預處理。乳腺癌圖像預處理就是加工乳腺癌圖像數(shù)據(jù)，它與普通圖像的處理相似，其目的是改善圖像的質量，提高人眼和機器識別的效果，從而提高乳腺癌圖像良惡性分類的準確率和效率。在本文中，對乳腺癌圖像的預處理主要采用腫塊

河北工業(yè)大學碩士學位論文25提娶中值濾波對圖像去噪、直方圖均衡化增強圖像和數(shù)據(jù)增強四個步驟，達到去除圖像冗余數(shù)據(jù)和噪聲、增加圖像對比度和擴充數(shù)據(jù)集的目的。乳腺癌圖像預處理步驟如圖3.2所示。原始圖像腫塊提取圖像去噪增強圖像數(shù)據(jù)增強現(xiàn)有圖像圖3.2乳腺癌圖像預處理流程圖3.3.1腫塊提取由于腫塊形態(tài)大小各異，且與乳腺軟組織的密度相似，二者的對比度較低，不易直接區(qū)分，因此為了針對性地獲取乳腺圖像中病變組織的有用信息，而刪除其他無用冗余數(shù)據(jù)，減少運算量。本文根據(jù)數(shù)據(jù)集BCDR-F03中放射科專家醫(yī)師提供的標有虛線點的可疑區(qū)域，通過病變圖像輪廓將該病變區(qū)域提取出來。因為腫塊的邊緣信息對乳腺癌良惡性分類具有重要意義，所以為了充分保留圖像輪廓的特征信息，在進行提取時也提取了輪廓外的部分信息，如圖3.3所示，左圖為原圖，右圖為腫塊提取圖。圖3.3乳腺癌圖像腫塊提取效果圖3.3.2圖像去噪從圖3.3所示的腫塊區(qū)域圖像可以看到，其含有大量噪聲，影響著腫塊的識別。對腫塊病變區(qū)域去噪的目的是改善給定的乳腺癌病變區(qū)域圖像，通過使用去噪技術可以有效地增大腫塊病變區(qū)域圖像的信噪比，大多數(shù)噪聲都可以被去除，從而使機器能夠更好地識別圖像信息。圖像去噪是圖像處理中很關鍵的一步，去噪技術可分為變換域去噪和空間域去噪兩種。其中，變換域去噪技術是在變換域中處理圖像的變換域系數(shù)，處理結束后再進行反變換，這樣就對圖像進行了降噪處理，目前使用比較多的變換方法主要有傅立葉

【參考文獻】：
期刊論文
[1]基于深度學習的乳腺癌病理圖像自動分類[J]. 何雪英,韓忠義,魏本征.  計算機工程與應用. 2018(12)
[2]不平衡數(shù)據(jù)分類研究綜述[J]. 陳湘濤,高亞靜.  邵陽學院學報(自然科學版). 2017(02)
[3]基于卷積受限玻爾茲曼機的醫(yī)學圖像分類新方法[J]. 張娟,蔣蕓,胡學偉,肖吉澤.  計算機工程與科學. 2017(02)
[4]卷積神經(jīng)網(wǎng)絡研究綜述[J]. 周飛燕,金林鵬,董軍.  計算機學報. 2017(06)
[5]深度卷積神經(jīng)網(wǎng)絡在計算機視覺中的應用研究綜述[J]. 盧宏濤,張秦川.  數(shù)據(jù)采集與處理. 2016(01)

博士論文
[1]基于卷積神經(jīng)網(wǎng)絡的醫(yī)學圖像癌變識別研究[D]. 薛迪秀.中國科學技術大學 2017
[2]基于X線圖像的乳腺腫塊檢測與分類方法研究[D]. 韓振中.北京交通大學 2015
[3]多視角乳腺X線圖像的乳腺癌檢測與分類方法研究[D]. 李艷鳳.北京交通大學 2015

碩士論文
[1]基于卷積神經(jīng)網(wǎng)絡的文獻分析[D]. 李宗辰.長春工業(yè)大學 2017
[2]目標檢測算法在乳腺病理圖像分析中的應用[D]. 何劍.浙江大學 2017
[3]基于卷積神經(jīng)網(wǎng)絡的圖像識別方法研究[D]. 段萌.鄭州大學 2017
[4]基于卷積神經(jīng)網(wǎng)絡的圖像識別[D]. 蔣帥.吉林大學 2017
[5]卷積神經(jīng)網(wǎng)絡在乳腺腫塊分類中的研究與應用[D]. 江帆.昆明理工大學 2017
[6]基于深度學習的乳腺癌早期診斷研究[D]. 李靜.杭州電子科技大學 2017
[7]基于AdaBoost的SRAM單元失效概率估計算法研究[D]. 韋峰.復旦大學 2014
[8]乳腺圖像中腫塊的特征提取與性質分析方法研究[D]. 葉鑫晶.西安電子科技大學 2014
[9]圖像去噪處理技術[D]. 郭斌.西安電子科技大學 2012
[10]支持向量機及其在乳腺癌輔助診斷系統(tǒng)中的應用研究[D]. 高妮.西北大學 2009



本文編號：3278832