肺炎是世界各地兒童和老年人死亡的主要原因之一。全球超過(guò)15%的死亡是由肺炎引起的,其中包括5歲以下兒童。肺炎是一種細(xì)菌、病毒或真菌引起的肺部的感染,導(dǎo)致肺部出現(xiàn)炎癥,引起肺泡充滿膿等液體。如果不及時(shí)診斷,可能危及生命。胸透是世界范圍內(nèi)重要的肺炎診斷方法。然而,需要有知識(shí)和經(jīng)驗(yàn)的專家來(lái)仔細(xì)閱讀胸部X射線圖像。胸部X射線圖像作為檢測(cè)肺炎等胸部疾病的重要依據(jù),但因?yàn)樾夭科渌麕追N疾病如肺癌、肺部液體過(guò)多等也會(huì)在圖像上顯示出類似肺炎的視覺(jué)信號(hào),從而導(dǎo)致通過(guò)人工讀取胸部X射線圖像來(lái)檢測(cè)肺炎的過(guò)程可能會(huì)很耗時(shí),而且準(zhǔn)確性較低。因而為了更好的輔助放射科醫(yī)生讀取胸部X射線圖像,開(kāi)發(fā)一個(gè)自動(dòng)檢測(cè)肺炎的模型是十分有意義的。目前,肺炎檢測(cè)模型面臨兩個(gè)問(wèn)題:其一,胸片中肺炎的檢測(cè)不同于傳統(tǒng)的目標(biāo)檢測(cè),傳統(tǒng)的目標(biāo)檢測(cè)中目標(biāo)的特征十分明顯,而胸片中肺炎的視覺(jué)信號(hào)的特征不明顯;其二,對(duì)于肺炎的檢測(cè)而言,不僅需要觀察胸片,還要詢問(wèn)病人的臨床史。這些問(wèn)題給肺炎的檢測(cè)帶來(lái)了一定的困難。近期,隨著人工智能的發(fā)展,深度學(xué)習(xí)在醫(yī)學(xué)圖像上的應(yīng)用表現(xiàn)出極大的優(yōu)勢(shì)。隨著深度學(xué)習(xí)在目標(biāo)檢測(cè)上不斷的發(fā)展和高性能的實(shí)現(xiàn),深度學(xué)習(xí)可以更好地解...

【文章頁(yè)數(shù)】：96 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 胸部X射線成像
    1.2 肺炎檢測(cè)的研究背景和意義
        1.2.1 肺炎檢測(cè)的研究背景
        1.2.2 肺炎檢測(cè)的研究目的與意義
    1.3 國(guó)內(nèi)外研究現(xiàn)狀
        1.3.1 國(guó)內(nèi)研究現(xiàn)狀
        1.3.2 國(guó)外發(fā)展現(xiàn)狀
    1.4 論文主要內(nèi)容及結(jié)構(gòu)
第2章 深度學(xué)習(xí)簡(jiǎn)介
    2.1 深度學(xué)習(xí)
    2.2 神經(jīng)網(wǎng)絡(luò)的相關(guān)知識(shí)
        2.2.1 人工神經(jīng)網(wǎng)絡(luò)
        2.2.2 卷積神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)
        2.2.3 卷積神經(jīng)網(wǎng)絡(luò)的計(jì)算
        2.2.4 激活函數(shù)
    2.3 基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法
        2.3.1 引言
        2.3.2 Faster R-CNN算法
        2.3.3 Mask R-CNN算法
        2.3.4 YOLOv3網(wǎng)絡(luò)
        2.3.5 RetinaNet網(wǎng)絡(luò)
    2.4 總結(jié)
第3章 數(shù)據(jù)準(zhǔn)備及預(yù)處理
    3.1 胸部X光片下的肺炎表現(xiàn)
    3.2 數(shù)據(jù)集介紹
    3.3 數(shù)據(jù)分析
        3.3.1 圖像轉(zhuǎn)換
        3.3.2 數(shù)據(jù)的標(biāo)簽類別分析
    3.4 數(shù)據(jù)預(yù)處理
    3.5 本章總結(jié)
第4章 基于深度學(xué)習(xí)的肺炎檢測(cè)算法
    4.1 模型選擇
    4.2 基于改進(jìn)的Faster R-CNN的肺炎檢測(cè)算法
        4.2.1 改進(jìn)的Faster R-CNN網(wǎng)絡(luò)模型
        4.2.2 Faster R-CNN模型解析
        4.2.3 候選框回歸
        4.2.4 訓(xùn)練過(guò)程及模型參數(shù)
        4.2.5 實(shí)驗(yàn)數(shù)據(jù)
        4.2.6 評(píng)價(jià)指標(biāo)和實(shí)驗(yàn)結(jié)果
        4.2.7 實(shí)驗(yàn)分析
    4.3 基于改進(jìn)的YOLOv3的肺炎檢測(cè)算法
        4.3.1 YOLOv3網(wǎng)絡(luò)結(jié)構(gòu)
        4.3.2 改進(jìn)的特征融合方式
        4.3.3 YOLOv3的邊界框預(yù)測(cè)
        4.3.4 訓(xùn)練過(guò)程及模型參數(shù)
        4.3.5 實(shí)驗(yàn)結(jié)果
        4.3.6 實(shí)驗(yàn)分析
    4.4 基于改進(jìn)的RetinaNet的肺炎檢測(cè)算法
        4.4.1 RetinaNet網(wǎng)絡(luò)的優(yōu)勢(shì)
        4.4.2 改進(jìn)的RetinaNet網(wǎng)絡(luò)結(jié)構(gòu)
        4.4.3 RetinaNet網(wǎng)絡(luò)中候選邊界框的生成
        4.4.4 Focal Loss損失函數(shù)
        4.4.5 訓(xùn)練過(guò)程及模型參數(shù)設(shè)置
        4.4.6 基于融合的RetinaNet網(wǎng)絡(luò)的肺炎檢測(cè)算法
        4.4.7 實(shí)驗(yàn)結(jié)果
        4.4.8 實(shí)驗(yàn)分析
    4.5 基于改進(jìn)的Mask R-CNN肺炎檢測(cè)算法
        4.5.1 改進(jìn)的Mask R-CNN網(wǎng)絡(luò)結(jié)構(gòu)
        4.5.2 Mask R-CNN網(wǎng)絡(luò)中的候選邊界框生成機(jī)制
        4.5.3 訓(xùn)練過(guò)程及網(wǎng)絡(luò)參數(shù)設(shè)置
        4.5.4 基于融合的Mask R-CNN網(wǎng)絡(luò)的肺炎檢測(cè)算法
        4.5.5 實(shí)驗(yàn)結(jié)果
        4.5.6 實(shí)驗(yàn)分析
    4.6 基于RetinaNet和 Mask R-CNN融合的肺炎檢測(cè)算法
    4.7 實(shí)驗(yàn)綜合分析
    4.8 總結(jié)
第5章 總結(jié)和展望
    5.1 論文總結(jié)
    5.2 展望
參考文獻(xiàn)
攻讀碩士學(xué)位期間取得的研究成果
致謝



本文編號(hào)：3837293