基于啟發(fā)式算法優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)的醫(yī)療輔助診斷系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)
發(fā)布時間：2021-11-12 21:39
2020年,新冠肺炎以一種極強(qiáng)的傳染性在全球范圍進(jìn)行傳播,醫(yī)生以核酸檢測作為是否確診的標(biāo)準(zhǔn)時,無法滿足在病毒載量不高時,醫(yī)學(xué)檢測的準(zhǔn)確性,而肺部片子快、準(zhǔn)的篩選方式成為了輔助醫(yī)生確診新冠肺炎的診斷模式。由此可見,醫(yī)學(xué)影像的輔助診斷在我國起著不可或缺的作用。但是,我國的醫(yī)療影像數(shù)據(jù)仍處于呈指數(shù)增長的模式,隨之而來的就是當(dāng)前醫(yī)療資源的嚴(yán)峻緊張、醫(yī)生的工作量加劇、誤診的概率不斷增加。于是,智能化、自動化的醫(yī)療輔助診斷已成為當(dāng)前醫(yī)療領(lǐng)域向著智慧、精準(zhǔn)、高效方向發(fā)展的必然趨勢。論文在國家自然科學(xué)基金項(xiàng)目（71971143、71571120）的資助下完成,具體研究如下。本文以醫(yī)療大數(shù)據(jù)為研究對象,結(jié)合群體智能技術(shù)與卷積神經(jīng)網(wǎng)絡(luò)分類方法,開發(fā)了一套從“數(shù)據(jù)采樣---系統(tǒng)架構(gòu)搭建---系統(tǒng)設(shè)計(jì)---系統(tǒng)測試”的完整的智能醫(yī)療輔助診斷系統(tǒng),涵蓋了面向不同用戶（即醫(yī)生、患者和管理員）的醫(yī)療影像增強(qiáng)、醫(yī)療輔助診斷和醫(yī)療數(shù)據(jù)統(tǒng)計(jì)的三大功能,為臨床決策提供了量化依據(jù)和決策支持,降低了醫(yī)生工作量,提高診斷準(zhǔn)確率。下面展開了對醫(yī)療影像增強(qiáng)、醫(yī)療輔助診斷和醫(yī)療數(shù)據(jù)統(tǒng)計(jì)的研究,并給出了相應(yīng)的解決方案。（1）組織器官的醫(yī)...
【文章來源】：深圳大學(xué)廣東省
【文章頁數(shù)】：82 頁
【學(xué)位級別】：碩士
【圖文】：
本文研究內(nèi)容
基于啟發(fā)式算法優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)的醫(yī)療輔助診斷系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)33圖15.卷積網(wǎng)絡(luò)結(jié)構(gòu)圖（1）卷積神經(jīng)網(wǎng)絡(luò)的前向運(yùn)算過程在前向運(yùn)算過程中，圖像的特征提取，主要通過卷積神經(jīng)網(wǎng)絡(luò)的卷積層和池化層完成，層與層之間交替出現(xiàn)，達(dá)到了特征圖提取和特征降維的目的。隨著層數(shù)的不斷加深，每層的特征圖數(shù)量也在不斷的增加，且特征圖的尺寸在不斷的下降。這樣，就達(dá)到了在特征不變性的情況下，提取到更多的特征信息。卷積層：卷積是卷積神經(jīng)網(wǎng)絡(luò)不可或缺的核心操作�？紤]到圖像的像素空間具有密集型特征，越遠(yuǎn)的距離像素點(diǎn)相關(guān)性越低，于是，在輸入原始圖片或者經(jīng)過預(yù)處理的圖片時，將通過局部感受野的方式對圖片中的特征圖進(jìn)行提取，這樣每層只針對局部圖像進(jìn)行感知，隨著層數(shù)的加深，每層的局部特征最終會被整理綜合分析，已獲得全局圖像特征，可以避免傳統(tǒng)神經(jīng)網(wǎng)絡(luò)中全連接造成的參數(shù)過多、計(jì)算復(fù)雜度較高的問題，使得神經(jīng)網(wǎng)絡(luò)在訓(xùn)練階段的可實(shí)施性提高。下面公式（18）給出了卷積層輸出特征的計(jì)算公式。1((,))mciiiFfconMCB(18)其中，cF代表著卷積后需要輸出的特征；f表示激活函數(shù)；con表示卷積函數(shù)；iM代表著第i個輸出的特征；iC表示著與輸出的特征iM相對應(yīng)的卷積核，且其個數(shù)均為m個；1B代表著偏置。池化層：池化是卷積神經(jīng)網(wǎng)絡(luò)的二次特征提取[78]，目的是為了在減少參數(shù)和數(shù)據(jù)的同時，未丟失原始圖片的特征信息，防止過擬合的現(xiàn)象存在；同時擁有特征不變性特點(diǎn)，具備一定的抗噪能力，能夠提高模型的泛化能力。
基于啟發(fā)式算法優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)的醫(yī)療輔助診斷系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)34對經(jīng)過上一層卷積層所獲得的多組特征圖，再次根據(jù)池化函數(shù)進(jìn)行池化降維例如，只取對應(yīng)位置上的最大值（最大池化法）或者平均值（平均池化法）。如下圖16，假設(shè)左邊是一個單一的特征塊，將此圖像按照2個元素的間隔劃分成4個2*2的區(qū)塊，根據(jù)最大池化法，可得到右邊的特征塊，從數(shù)據(jù)量上看，池化后數(shù)據(jù)量降低3/4。圖16.池化例子8前向運(yùn)算過程的目標(biāo)分類通過激活函數(shù)的響應(yīng)和全連接層的映射完成。激活函數(shù)的引入是為了提高神經(jīng)網(wǎng)絡(luò)模型的非線性，將上一層輸出的線性組合，映射到可以任意逼近的非線性函數(shù)，以供其構(gòu)建適應(yīng)于處理非線性數(shù)據(jù)類型的神經(jīng)網(wǎng)絡(luò)模型，使得網(wǎng)絡(luò)的學(xué)習(xí)能力增強(qiáng)。全連接層：在前面多次的卷積、池化、激活操作后，已經(jīng)獲得了圖片的多個局部特征塊，而全連接層的作用是將這些特征塊重新組合，再映射到樣本的標(biāo)記空間，實(shí)現(xiàn)目標(biāo)的分類。公式（19）是全連接層的映射分類公式。2()oFfWTB(19)其中，oF是最終輸出的分類矩陣；T代表著在全連接層輸入的特征矩陣；與之一一對應(yīng)的權(quán)值矩陣和偏置矩陣分別為W和2B；激活函數(shù)為f。（2）卷積神經(jīng)網(wǎng)絡(luò)的反向運(yùn)算過程卷積神經(jīng)網(wǎng)絡(luò)的反向運(yùn)算過程包含了反向傳播以及權(quán)重更新。而反向傳播分為兩個部分：目標(biāo)分類時的反向傳播和全連接層時的反向傳播。在目標(biāo)分類輸出層的反向傳播，通過誤差敏感項(xiàng)來判斷每個網(wǎng)絡(luò)節(jié)點(diǎn)對于最終的分類結(jié)果誤差的貢獻(xiàn)，以最小化誤差為目標(biāo)函數(shù)，反向更新網(wǎng)絡(luò)的權(quán)重和偏8https://www.cnblogs.com/MrSaver/p/10356695.html.
【參考文獻(xiàn)】：
期刊論文
[1]基于深度學(xué)習(xí)的皮膚影像分類[J]. 周航寧,謝鳳英,姜志國,劉潔,晉紅中,孟如松,崔勇. 協(xié)和醫(yī)學(xué)雜志. 2018(01)
[2]自適應(yīng)增強(qiáng)卷積神經(jīng)網(wǎng)絡(luò)圖像識別[J]. 劉萬軍,梁雪劍,曲海成. 中國圖象圖形學(xué)報(bào). 2017(12)
[3]基于虛擬光學(xué)密度圖像的乳腺癌近期發(fā)病預(yù)測[J]. 張紅軍,閆士舉,宋成利. 中國醫(yī)學(xué)影像技術(shù). 2017(08)
[4]芻議期刊文獻(xiàn)的專題大數(shù)據(jù)挖掘價(jià)值——以《臨床誤診誤治》雜志誤診數(shù)據(jù)論文策劃為例[J]. 丁濱,陳曉紅. 編輯學(xué)報(bào). 2016(05)
博士論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的醫(yī)學(xué)圖像癌變識別研究[D]. 薛迪秀.中國科學(xué)技術(shù)大學(xué) 2017
[2]分?jǐn)?shù)階Laplace算子的譜理論及其在微分方程中的應(yīng)用[D]. 楊變霞.蘭州大學(xué) 2015
[3]乳腺X射線圖像計(jì)算機(jī)輔助診斷方法研究[D]. 柏杏麗.中國礦業(yè)大學(xué)（北京） 2010
[4]SARS醫(yī)學(xué)圖像識別與輔助診斷研究[D]. 謝鉉洋.中國科學(xué)技術(shù)大學(xué) 2006
碩士論文
[1]圓檢測中Canny算子的改進(jìn)及應(yīng)用研究[D]. 段曉宇.河南大學(xué) 2018
[2]醫(yī)療輔助診斷系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D]. 周成毅.西南科技大學(xué) 2018
[3]醫(yī)學(xué)圖像增強(qiáng)算法研究[D]. 陳韻竹.南京理工大學(xué) 2018
[4]基于粒子群算法的LeNet-5卷積神經(jīng)網(wǎng)絡(luò)優(yōu)化研究[D]. 向展.華中科技大學(xué) 2016
[5]基于Hadoop的醫(yī)療輔助診斷系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D]. 周羿陽.東華大學(xué) 2016
[6]基于模糊神經(jīng)網(wǎng)絡(luò)的智能醫(yī)療診斷輔助系統(tǒng)的研究[D]. 毛亮.遼寧工學(xué)院 2007
[7]基于醫(yī)學(xué)影像的疾病診斷系統(tǒng)的設(shè)計(jì)及相關(guān)實(shí)現(xiàn)[D]. 韓晶.西安理工大學(xué) 2007
本文編號：3491703
【文章來源】：深圳大學(xué)廣東省
【文章頁數(shù)】：82 頁
【學(xué)位級別】：碩士
【圖文】：
本文研究內(nèi)容
基于啟發(fā)式算法優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)的醫(yī)療輔助診斷系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)33圖15.卷積網(wǎng)絡(luò)結(jié)構(gòu)圖（1）卷積神經(jīng)網(wǎng)絡(luò)的前向運(yùn)算過程在前向運(yùn)算過程中，圖像的特征提取，主要通過卷積神經(jīng)網(wǎng)絡(luò)的卷積層和池化層完成，層與層之間交替出現(xiàn)，達(dá)到了特征圖提取和特征降維的目的。隨著層數(shù)的不斷加深，每層的特征圖數(shù)量也在不斷的增加，且特征圖的尺寸在不斷的下降。這樣，就達(dá)到了在特征不變性的情況下，提取到更多的特征信息。卷積層：卷積是卷積神經(jīng)網(wǎng)絡(luò)不可或缺的核心操作�？紤]到圖像的像素空間具有密集型特征，越遠(yuǎn)的距離像素點(diǎn)相關(guān)性越低，于是，在輸入原始圖片或者經(jīng)過預(yù)處理的圖片時，將通過局部感受野的方式對圖片中的特征圖進(jìn)行提取，這樣每層只針對局部圖像進(jìn)行感知，隨著層數(shù)的加深，每層的局部特征最終會被整理綜合分析，已獲得全局圖像特征，可以避免傳統(tǒng)神經(jīng)網(wǎng)絡(luò)中全連接造成的參數(shù)過多、計(jì)算復(fù)雜度較高的問題，使得神經(jīng)網(wǎng)絡(luò)在訓(xùn)練階段的可實(shí)施性提高。下面公式（18）給出了卷積層輸出特征的計(jì)算公式。1((,))mciiiFfconMCB(18)其中，cF代表著卷積后需要輸出的特征；f表示激活函數(shù)；con表示卷積函數(shù)；iM代表著第i個輸出的特征；iC表示著與輸出的特征iM相對應(yīng)的卷積核，且其個數(shù)均為m個；1B代表著偏置。池化層：池化是卷積神經(jīng)網(wǎng)絡(luò)的二次特征提取[78]，目的是為了在減少參數(shù)和數(shù)據(jù)的同時，未丟失原始圖片的特征信息，防止過擬合的現(xiàn)象存在；同時擁有特征不變性特點(diǎn)，具備一定的抗噪能力，能夠提高模型的泛化能力。
基于啟發(fā)式算法優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)的醫(yī)療輔助診斷系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)34對經(jīng)過上一層卷積層所獲得的多組特征圖，再次根據(jù)池化函數(shù)進(jìn)行池化降維例如，只取對應(yīng)位置上的最大值（最大池化法）或者平均值（平均池化法）。如下圖16，假設(shè)左邊是一個單一的特征塊，將此圖像按照2個元素的間隔劃分成4個2*2的區(qū)塊，根據(jù)最大池化法，可得到右邊的特征塊，從數(shù)據(jù)量上看，池化后數(shù)據(jù)量降低3/4。圖16.池化例子8前向運(yùn)算過程的目標(biāo)分類通過激活函數(shù)的響應(yīng)和全連接層的映射完成。激活函數(shù)的引入是為了提高神經(jīng)網(wǎng)絡(luò)模型的非線性，將上一層輸出的線性組合，映射到可以任意逼近的非線性函數(shù)，以供其構(gòu)建適應(yīng)于處理非線性數(shù)據(jù)類型的神經(jīng)網(wǎng)絡(luò)模型，使得網(wǎng)絡(luò)的學(xué)習(xí)能力增強(qiáng)。全連接層：在前面多次的卷積、池化、激活操作后，已經(jīng)獲得了圖片的多個局部特征塊，而全連接層的作用是將這些特征塊重新組合，再映射到樣本的標(biāo)記空間，實(shí)現(xiàn)目標(biāo)的分類。公式（19）是全連接層的映射分類公式。2()oFfWTB(19)其中，oF是最終輸出的分類矩陣；T代表著在全連接層輸入的特征矩陣；與之一一對應(yīng)的權(quán)值矩陣和偏置矩陣分別為W和2B；激活函數(shù)為f。（2）卷積神經(jīng)網(wǎng)絡(luò)的反向運(yùn)算過程卷積神經(jīng)網(wǎng)絡(luò)的反向運(yùn)算過程包含了反向傳播以及權(quán)重更新。而反向傳播分為兩個部分：目標(biāo)分類時的反向傳播和全連接層時的反向傳播。在目標(biāo)分類輸出層的反向傳播，通過誤差敏感項(xiàng)來判斷每個網(wǎng)絡(luò)節(jié)點(diǎn)對于最終的分類結(jié)果誤差的貢獻(xiàn)，以最小化誤差為目標(biāo)函數(shù)，反向更新網(wǎng)絡(luò)的權(quán)重和偏8https://www.cnblogs.com/MrSaver/p/10356695.html.
【參考文獻(xiàn)】：
期刊論文
[1]基于深度學(xué)習(xí)的皮膚影像分類[J]. 周航寧,謝鳳英,姜志國,劉潔,晉紅中,孟如松,崔勇. 協(xié)和醫(yī)學(xué)雜志. 2018(01)
[2]自適應(yīng)增強(qiáng)卷積神經(jīng)網(wǎng)絡(luò)圖像識別[J]. 劉萬軍,梁雪劍,曲海成. 中國圖象圖形學(xué)報(bào). 2017(12)
[3]基于虛擬光學(xué)密度圖像的乳腺癌近期發(fā)病預(yù)測[J]. 張紅軍,閆士舉,宋成利. 中國醫(yī)學(xué)影像技術(shù). 2017(08)
[4]芻議期刊文獻(xiàn)的專題大數(shù)據(jù)挖掘價(jià)值——以《臨床誤診誤治》雜志誤診數(shù)據(jù)論文策劃為例[J]. 丁濱,陳曉紅. 編輯學(xué)報(bào). 2016(05)
博士論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的醫(yī)學(xué)圖像癌變識別研究[D]. 薛迪秀.中國科學(xué)技術(shù)大學(xué) 2017
[2]分?jǐn)?shù)階Laplace算子的譜理論及其在微分方程中的應(yīng)用[D]. 楊變霞.蘭州大學(xué) 2015
[3]乳腺X射線圖像計(jì)算機(jī)輔助診斷方法研究[D]. 柏杏麗.中國礦業(yè)大學(xué)（北京） 2010
[4]SARS醫(yī)學(xué)圖像識別與輔助診斷研究[D]. 謝鉉洋.中國科學(xué)技術(shù)大學(xué) 2006
碩士論文
[1]圓檢測中Canny算子的改進(jìn)及應(yīng)用研究[D]. 段曉宇.河南大學(xué) 2018
[2]醫(yī)療輔助診斷系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D]. 周成毅.西南科技大學(xué) 2018
[3]醫(yī)學(xué)圖像增強(qiáng)算法研究[D]. 陳韻竹.南京理工大學(xué) 2018
[4]基于粒子群算法的LeNet-5卷積神經(jīng)網(wǎng)絡(luò)優(yōu)化研究[D]. 向展.華中科技大學(xué) 2016
[5]基于Hadoop的醫(yī)療輔助診斷系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D]. 周羿陽.東華大學(xué) 2016
[6]基于模糊神經(jīng)網(wǎng)絡(luò)的智能醫(yī)療診斷輔助系統(tǒng)的研究[D]. 毛亮.遼寧工學(xué)院 2007
[7]基于醫(yī)學(xué)影像的疾病診斷系統(tǒng)的設(shè)計(jì)及相關(guān)實(shí)現(xiàn)[D]. 韓晶.西安理工大學(xué) 2007
本文編號：3491703
本文鏈接：http://sikaile.net/kejilunwen/zidonghuakongzhilunwen/3491703.html
最近更新
教材專著
