基于深度學(xué)習(xí)的宮頸病變檢測方法研究
發(fā)布時間：2021-07-16 16:28
近年來,為了給醫(yī)生提供有效的輔助診斷信息,以機器學(xué)習(xí)圖像處理技術(shù)為基礎(chǔ)的計算機輔助診斷（CAD）正變得越來越重要�；卺t(yī)學(xué)生物圖像的CAD系統(tǒng),一方面可以提高臨床醫(yī)生閱片效率,提高診斷精度,另一方面可為醫(yī)療條件相對匱乏地區(qū)提供快速診斷方案,降低診斷成本�；跈C器學(xué)習(xí)的醫(yī)學(xué)圖像處理主要包括圖像預(yù)處理、感興趣區(qū)域（ROI）分割、特征提取等,其研究內(nèi)容集中在醫(yī)學(xué)圖像識別分割,特征提取和分類等。針對宮頸癌篩查過程中產(chǎn)生的陰道鏡圖像和病理診斷數(shù)據(jù),本文提出多種基于機器學(xué)習(xí)和深度學(xué)習(xí)相關(guān)的宮頸病變圖像處理算法,旨在提高宮頸癌篩查效率和醫(yī)生診斷準(zhǔn)確率,相關(guān)研究成果如下:基于K-means的子宮頸區(qū)域分割算法,實現(xiàn)子宮頸區(qū)域在醫(yī)學(xué)和解剖學(xué)意義上的劃分和提取。首先,利用直方圖閾值法,對陰道鏡圖像亮度直方圖（Y）進行分析,去除子宮頸圖像中的鏡面反射區(qū)域;然后將預(yù)處理后的陰道鏡圖像轉(zhuǎn)換成HSV格式,運用K-means算法對V分量進行提取;最后利用面積濾波平滑邊緣,從而分割出子宮頸區(qū)域。對110例標(biāo)準(zhǔn)陰道鏡圖像進行驗證,利用多種客觀指標(biāo)對分割結(jié)果進行分析�；贑NN的陰道鏡圖像特征重標(biāo)定的子宮頸病變區(qū)域檢測算...
【文章來源】：華僑大學(xué)福建省
【文章頁數(shù)】：68 頁
【學(xué)位級別】：碩士
【部分圖文】：
宮頸病變診斷主要流程
10結(jié)構(gòu)中至少包含一個反饋連接（自循環(huán)），像素級的RNN被用作自回歸模型，生成模型最終可以產(chǎn)生類似于訓(xùn)練集樣本的新圖像[53]。圖2.1U型網(wǎng)絡(luò)結(jié)構(gòu)2.2目標(biāo)檢測相關(guān)理論目標(biāo)檢測作為計算機視覺領(lǐng)域非常重要的研究方向，在行人跟蹤、車牌識別、無人駕駛等方面具有重要應(yīng)用。近年來，隨著深度學(xué)習(xí)對圖像分類準(zhǔn)確度的大幅度提高，基于深度學(xué)習(xí)的目標(biāo)檢測算法逐漸成為主流。目標(biāo)檢測也是多種圖像與視頻分析任務(wù)的重要前提，例如異常分析、動作檢測、場景語義理解、病灶輔助診斷等都可以采用圖像處理和模式識別技術(shù)。目標(biāo)檢測可標(biāo)定圖像中的前景和背景，確定目標(biāo)對象所代表的語義類型，最后標(biāo)出目標(biāo)對象在圖像中的具體位置[54]。目標(biāo)檢測通常會受到以下幾個方面的制約：類內(nèi)差異大，而類間差異小，制約目標(biāo)檢測算法的性能；數(shù)據(jù)采集過程中目標(biāo)物遭到遮擋從而影響目標(biāo)物的標(biāo)注導(dǎo)致算法魯棒性下降；高維稀疏空間特征，標(biāo)準(zhǔn)數(shù)據(jù)集的制作比較困難，大量的人力和物力消耗造成目標(biāo)檢測算法的性價比較低，因此需要設(shè)計簡潔高效的目標(biāo)檢測算法[55]。基于傳統(tǒng)經(jīng)典機器學(xué)習(xí)算法摸，為實現(xiàn)行人檢測和相關(guān)物體識別，通常采用手工特征結(jié)合滑動窗口的算法模型。圖像特征可用Haar小波表示，特征分類
12圖2.2RPN網(wǎng)絡(luò)結(jié)構(gòu)隨著人們對檢測速度要求的提高，基于One-stage思路的YOLO算法應(yīng)運而生，如圖2.3所示。該算法的目的是更加快速的進行目標(biāo)物的分類和候選框的回歸，首先將輸入圖像進行等量劃分，并對相關(guān)區(qū)域內(nèi)的目標(biāo)物進行分類和候選框回歸，從而實現(xiàn)快速檢測[58]。圖2.3YOLO網(wǎng)格劃分SSD結(jié)合FasterR-CNN和YOLO的優(yōu)點，其中RPN網(wǎng)絡(luò)具有保證檢測精度的特性，將YOLO的思路中添加RPN的想法可以實現(xiàn)更加高效的檢測[59]。
【參考文獻】：
期刊論文
[1]分段卷積神經(jīng)網(wǎng)絡(luò)在文本情感分析中的應(yīng)用[J]. 杜昌順,黃磊. 計算機工程與科學(xué). 2017(01)
[2]語音識別中卷積神經(jīng)網(wǎng)絡(luò)優(yōu)化算法[J]. 劉長征,張磊. 哈爾濱理工大學(xué)學(xué)報. 2016(03)
[3]深度學(xué)習(xí)的昨天、今天和明天[J]. 余凱,賈磊,陳雨強,徐偉. 計算機研究與發(fā)展. 2013(09)
本文編號：3287352
【文章來源】：華僑大學(xué)福建省
【文章頁數(shù)】：68 頁
【學(xué)位級別】：碩士
【部分圖文】：
宮頸病變診斷主要流程
10結(jié)構(gòu)中至少包含一個反饋連接（自循環(huán)），像素級的RNN被用作自回歸模型，生成模型最終可以產(chǎn)生類似于訓(xùn)練集樣本的新圖像[53]。圖2.1U型網(wǎng)絡(luò)結(jié)構(gòu)2.2目標(biāo)檢測相關(guān)理論目標(biāo)檢測作為計算機視覺領(lǐng)域非常重要的研究方向，在行人跟蹤、車牌識別、無人駕駛等方面具有重要應(yīng)用。近年來，隨著深度學(xué)習(xí)對圖像分類準(zhǔn)確度的大幅度提高，基于深度學(xué)習(xí)的目標(biāo)檢測算法逐漸成為主流。目標(biāo)檢測也是多種圖像與視頻分析任務(wù)的重要前提，例如異常分析、動作檢測、場景語義理解、病灶輔助診斷等都可以采用圖像處理和模式識別技術(shù)。目標(biāo)檢測可標(biāo)定圖像中的前景和背景，確定目標(biāo)對象所代表的語義類型，最后標(biāo)出目標(biāo)對象在圖像中的具體位置[54]。目標(biāo)檢測通常會受到以下幾個方面的制約：類內(nèi)差異大，而類間差異小，制約目標(biāo)檢測算法的性能；數(shù)據(jù)采集過程中目標(biāo)物遭到遮擋從而影響目標(biāo)物的標(biāo)注導(dǎo)致算法魯棒性下降；高維稀疏空間特征，標(biāo)準(zhǔn)數(shù)據(jù)集的制作比較困難，大量的人力和物力消耗造成目標(biāo)檢測算法的性價比較低，因此需要設(shè)計簡潔高效的目標(biāo)檢測算法[55]。基于傳統(tǒng)經(jīng)典機器學(xué)習(xí)算法摸，為實現(xiàn)行人檢測和相關(guān)物體識別，通常采用手工特征結(jié)合滑動窗口的算法模型。圖像特征可用Haar小波表示，特征分類
12圖2.2RPN網(wǎng)絡(luò)結(jié)構(gòu)隨著人們對檢測速度要求的提高，基于One-stage思路的YOLO算法應(yīng)運而生，如圖2.3所示。該算法的目的是更加快速的進行目標(biāo)物的分類和候選框的回歸，首先將輸入圖像進行等量劃分，并對相關(guān)區(qū)域內(nèi)的目標(biāo)物進行分類和候選框回歸，從而實現(xiàn)快速檢測[58]。圖2.3YOLO網(wǎng)格劃分SSD結(jié)合FasterR-CNN和YOLO的優(yōu)點，其中RPN網(wǎng)絡(luò)具有保證檢測精度的特性，將YOLO的思路中添加RPN的想法可以實現(xiàn)更加高效的檢測[59]。
【參考文獻】：
期刊論文
[1]分段卷積神經(jīng)網(wǎng)絡(luò)在文本情感分析中的應(yīng)用[J]. 杜昌順,黃磊. 計算機工程與科學(xué). 2017(01)
[2]語音識別中卷積神經(jīng)網(wǎng)絡(luò)優(yōu)化算法[J]. 劉長征,張磊. 哈爾濱理工大學(xué)學(xué)報. 2016(03)
[3]深度學(xué)習(xí)的昨天、今天和明天[J]. 余凱,賈磊,陳雨強,徐偉. 計算機研究與發(fā)展. 2013(09)
本文編號：3287352
本文鏈接：http://sikaile.net/kejilunwen/zidonghuakongzhilunwen/3287352.html
最近更新
教材專著
