精準(zhǔn)醫(yī)療是目前深度學(xué)習(xí)在醫(yī)療領(lǐng)域中的一項(xiàng)重要應(yīng)用,它通過深度學(xué)習(xí)方法對(duì)病灶部位進(jìn)行處理,獲取精確的處理結(jié)果,進(jìn)而輔助醫(yī)生對(duì)病人的病情進(jìn)行診斷和后續(xù)治療。慢性創(chuàng)面是典型的慢性疾病,難以短期治愈,往往占用大量醫(yī)療資源。這給病人造成身體上和精神上的巨大傷害,也加重醫(yī)生的工作量。如果能實(shí)現(xiàn)慢性創(chuàng)面的精準(zhǔn)醫(yī)療,就可以減輕病人的痛苦,減少醫(yī)療資源的浪費(fèi),減輕醫(yī)生的工作量。為了實(shí)現(xiàn)這個(gè)目標(biāo),需要對(duì)慢性創(chuàng)面區(qū)域?qū)崿F(xiàn)準(zhǔn)確分割與識(shí)別。本文為了實(shí)現(xiàn)慢性創(chuàng)面區(qū)域準(zhǔn)確分割與識(shí)別這一目標(biāo),提出了一個(gè)基于深度神經(jīng)網(wǎng)絡(luò)的慢性創(chuàng)面圖像分割與識(shí)別的系統(tǒng)化方法。具體工作可以概括為以下三個(gè)方面:（1）提出了基于GANs的慢性創(chuàng)面圖像生成器。針對(duì)慢性創(chuàng)面圖像數(shù)據(jù)集數(shù)量不足而導(dǎo)致慢性創(chuàng)面區(qū)域分割與識(shí)別準(zhǔn)確率低的問題,本文提出了一個(gè)基于GANs的慢性創(chuàng)面圖像生成器解決。它包含兩個(gè)深度神經(jīng)網(wǎng)絡(luò):一個(gè)生成慢性創(chuàng)面圖像的生成器網(wǎng)絡(luò)D以及一個(gè)判別是否為生成器網(wǎng)絡(luò)D生成的慢性創(chuàng)面圖像的判別器網(wǎng)絡(luò)G。這兩個(gè)網(wǎng)絡(luò)對(duì)抗訓(xùn)練,達(dá)到平衡時(shí)獲得慢性創(chuàng)面圖像生成結(jié)果圖像。該結(jié)果圖像可以用于擴(kuò)充后續(xù)分割與識(shí)別網(wǎng)絡(luò)的訓(xùn)練集。實(shí)驗(yàn)結(jié)果表明,該方法與傳統(tǒng)圖像數(shù)據(jù)... 

【文章來源】：國(guó)防科技大學(xué)湖南省 211工程院校 985工程院校

【文章頁(yè)數(shù)】：67 頁(yè)

【學(xué)位級(jí)別】：碩士

【圖文】：

傳統(tǒng)圖像數(shù)據(jù)增強(qiáng)效果圖（摘自文獻(xiàn)[72]）

國(guó)防科技大學(xué)研究生院碩士學(xué)位論文第10頁(yè)圖2.2GANs生成臥室圖像（摘自文獻(xiàn)[41]）對(duì)抗式生成網(wǎng)絡(luò)使用兩個(gè)神經(jīng)網(wǎng)絡(luò)作基礎(chǔ)網(wǎng)絡(luò)模型，一個(gè)神經(jīng)網(wǎng)絡(luò)為生成器網(wǎng)絡(luò)，另一個(gè)神經(jīng)網(wǎng)絡(luò)為判別器網(wǎng)絡(luò)。全部的對(duì)抗訓(xùn)練過程如下：假設(shè)生成器為g(z)，其中z是一個(gè)隨機(jī)噪聲。g的作用是將這個(gè)隨機(jī)噪聲z轉(zhuǎn)化為另一種數(shù)據(jù)類型x。在圖像生成領(lǐng)域，這個(gè)輸出的數(shù)據(jù)類型x就是一張圖像。D（x）是判別器。對(duì)于任何一個(gè)輸入x，D（x）的輸出是一個(gè)從0到1的實(shí)數(shù)。這個(gè)實(shí)數(shù)是用來判斷這張圖像是否為一張真實(shí)圖像的概率。設(shè)Pr和Pg分別代表真實(shí)圖像的分布和生成圖像的分布情況。判別器模型的目標(biāo)函數(shù)可以設(shè)定如下：max~log+~[log(1())](2.1)同樣的，生成器網(wǎng)絡(luò)的目的是使判別器網(wǎng)絡(luò)無法判斷生成器網(wǎng)絡(luò)生成的圖像和真實(shí)圖像。所以生成器網(wǎng)絡(luò)的目標(biāo)函數(shù)可以設(shè)定如下：minmax~log+~[log(1)](2.2)這個(gè)最大最小目標(biāo)函數(shù)的優(yōu)化方法是交互式迭代D和g，固定g，優(yōu)化D，接下來固定D，優(yōu)化g，如此反復(fù)迭代直到收斂。具體情況如下圖所示：

國(guó)防科技大學(xué)研究生院碩士學(xué)位論文第12頁(yè)圖2.4生成網(wǎng)絡(luò)結(jié)構(gòu)圖網(wǎng)絡(luò)結(jié)構(gòu)的算法偽代碼如下：算法2.1Image-Generator輸入：100維隨機(jī)向量。其中100維隨機(jī)向量由隨機(jī)數(shù)生成器生成輸出：分辨率128×128的圖像1、將輸入經(jīng)過全連接層進(jìn)行全連接操作2、計(jì)算1中向量的反卷積操作結(jié)果（激活函數(shù)為ReLU）3、repeat24、repeat35、計(jì)算4中向量的帶洞反卷積操作（參考3.2.2）結(jié)果6、repeat57、采用Tanh作為6的輸出的激活函數(shù)，得到結(jié)果2.3.2判別器網(wǎng)絡(luò)結(jié)構(gòu)判別器網(wǎng)絡(luò)是由五層卷積層和三層池化層組成。它的輸入是生成器網(wǎng)絡(luò)的輸出，為128×128像素圖。接下來經(jīng)過兩層卷積核為3×3，步長(zhǎng)為2的帶洞卷積操作，由此獲得32×32×128維向量。接下來的網(wǎng)絡(luò)結(jié)構(gòu)為一層3×3，步長(zhǎng)為1的卷積層和2×2的最大池化層[45]交替進(jìn)行三次，直到獲取一個(gè)4×4×1024維向量。網(wǎng)絡(luò)的每個(gè)卷積操作層有一個(gè)批歸一化層用來加快收斂速度，并且網(wǎng)絡(luò)的激活函數(shù)為SeLU[46]。最后，全連接層將4×4×1024維向量連接成一個(gè)范圍為0到1的數(shù)字，這個(gè)數(shù)字代表這張圖像為真實(shí)圖像或者生成圖像的概率。其網(wǎng)絡(luò)結(jié)構(gòu)如下：


本文編號(hào)：3609014