近年來,肺部計算機斷層掃描（Computed Tomography,CT）影像學信息和肺腫瘤標志物（Tumor markers,TMs）信息越來越被廣泛的應用于肺結(jié)節(jié)良惡性的智能化診斷中。利用人工智能技術(shù)（Artificial Intelligence,AI）在數(shù)據(jù)挖掘方面的優(yōu)勢,可以從肺部CT影像和肺部腫瘤標志物中提取出與肺結(jié)節(jié)病理類型之間相關(guān)的潛在信息,實現(xiàn)肺結(jié)節(jié)良惡性的多種病理類型的診斷與分類。人工智能技術(shù)有利于減輕臨床醫(yī)學工作者的工作壓力,從而進一步提升臨床中肺結(jié)節(jié)的診斷效率和診斷準確率。在應用于肺結(jié)節(jié)良惡性多種病理診斷的多分辨率3D多分類深度學習模型的設計研究中,首先利用3D多分辨率的方法完整地提取肺部CT影像中肺結(jié)節(jié)3D體數(shù)據(jù)信息;其次,以雙通路網(wǎng)絡（Dual Path Network,DPN）為主網(wǎng)絡,構(gòu)建了一個肺結(jié)節(jié)良惡性多種病理類型診斷的多分辨率3D多分類深度學習模型;再次,在炎癥、鱗癌、腺癌和良性其他等四種分類的數(shù)據(jù)集上進行了模型訓練及驗證;最終,經(jīng)實驗測試,本論文所構(gòu)建的多分辨率3D多分類深度學習模型獲得了 0.805的準確率（Accuracy,ACC）,受試者工... 

【文章來源】：山東大學山東省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：64 頁

【學位級別】：碩士

【部分圖文】：

圖２．?１?Ｓｉｇｍｏｉｄ激活函數(shù)??－

?山東大學碩士學位論文???Ｓｉｇｍｏｉｄ??１??，／??０．４－?／??？?ｊ??０．０－｜?—????????－４－２?０?２?４??Ｘ??圖２．?１?Ｓｉｇｍｏｉｄ激活函數(shù)??Ｔａｎｈ函數(shù)將輸出變量映射到（－１，１）之間。相比較于Ｓｉｇｍｏｉｄ激活函數(shù)，??其輸出是以０為中心的，收斂速度也比Ｓｉｇｍｏｉｄ函數(shù)快。但是Ｔａｎｈ函數(shù)同樣??具有軟飽和性，并且其函數(shù)在自變量取值為無窮的時候，導數(shù)會以更快速度??趨于０，從而會導致更嚴重的梯度消失問題，所以Ｔａｎｈ激活函數(shù)同樣只適用??于淺層的神經(jīng)網(wǎng)絡模型。其函數(shù)表達式如式（２．?２），其對應的曲線示意圖如圖??２．?２所示。??／（ｘ）＾ｅｘｐ（ｘ）－ｅｘｐ（－ｘ２?（２．２）??ｅｘｐ（ｘ）?＋?ｅｘｐ（－ｘ）???Ｔａｎｈ???１．００?－?＾—???０．７５－?ｆ??０．５０?／??ｔｔ２５?／??｜?０．００．?／??－０．２５－?／??－０．５０?■?Ｉ??－０．７５?／??－１．００?????－４?－２?０?２?４??Ｘ??圖２．２?Ｔａｎｈ激活函數(shù)??Ｒｅｌｕ激活函數(shù)是目前使用最為頻繁的激活函數(shù)，相比較于Ｓｉｇｍｏｉｄ以及??Ｔａｎｈ激活函數(shù)，Ｒｅｌｕ激活函數(shù)實現(xiàn)起來比較簡單，且沒有指數(shù)計算，求導更??為方便。Ｒｅｌｕ激活函數(shù)在輸入為負值的時候全部映射為０，解決了?Ｓｉｇｍｏｉｄ??函數(shù)以及Ｔａｎｈ函數(shù)的軟飽和問題，但是，同時會導致在訓練的過程中出現(xiàn)節(jié)??點輸出值長時間為〇的現(xiàn)象，稱為“死節(jié)點”。“死節(jié)點”不能對數(shù)據(jù)進行??激活，從而影響整體網(wǎng)絡性

?山東大學碩士學位論文???〔Ｘ，?ｘ?＞?０??／（ｘ）?＝?｜ｏ，?ｘ＜０?（２．３）???Ｒｅｌｕ???５－１??－４－２?０?２?４??Ｘ??圖２．?３?Ｒｅｌｕ激活函數(shù)??ＬＲｅｌｕ激活函數(shù)是由Ｒｅｌｕ激活函數(shù)演變而來。由于Ｒｅｌｕ激活函數(shù)存在??“死節(jié)點”問題，影響網(wǎng)絡訓練的性能，所以ＬＲｅｌｕ激活函數(shù)在原始Ｒｅｌｕ??激活函數(shù)基礎上，將小于０的部分映射為一個泄露值，如公式（２．?４）所示。這??樣在自變量小于０的時候斜率不為０，從而使得參數(shù)的梯度不消失，降低“死??節(jié)點”對整體網(wǎng)絡性能的影響程度，并且ＬＲｅｌｕ在訓練過程中收斂速度更快，??學習性能更強。其函數(shù)表達式如公式（２．?４），其對應的激活函數(shù)示意圖如圖??２．?４所示。??［ｘ．?ｘ?＞?０??／Ｗ?＝?Ｕ?，＜〇，，＞〇?（２．４）??：：瞻??Ｘ??圖２．?４?ＬＲｅｌｕ激活函數(shù)??（２）多分類模型分類器??本次研究是關(guān)于肺結(jié)節(jié)多種病理類型的多分類研宄，所以在本次研究中??選取了適合多分類的Ｓｏｆｔｍａｘ分類器。Ｓｏｆｔｍａｘ分類器是Ｌｏｇｉｓｔｉｃ回歸方法??在多分類研宄上的推廣，兩者都是采用最大似然原理對模型進行損失優(yōu)化的??９??

【參考文獻】：
期刊論文
[1]多項肺系統(tǒng)腫瘤標志物異常在晚期肺腺癌治療中的作用[J]. 彭彥,王燕,郝學志,李峻嶺,劉雨桃,王宏羽.  中國肺癌雜志. 2017(10)

博士論文
[1]第一部分 孤立肺結(jié)節(jié)良惡性鑒別診斷模型的建立及驗證 第二部分 非小細胞肺癌復發(fā)監(jiān)測血清分子標志物的研究[D]. 董靜思.北京協(xié)和醫(yī)學院 2014



本文編號：3608035