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。肺炎是一種細菌、病毒或真菌引起的肺部的感染,導致肺部出現(xiàn)炎癥,引起肺泡充滿膿等液體。如果不及時診斷,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,需要有知識和經(jīng)驗的專家來仔細閱讀胸部X射線圖像。胸部X射線圖像作為檢測肺炎等胸部疾病的重要依據(jù),但因為胸部其他幾種疾病如肺癌、肺部液體過多等也會在圖像上顯示出類似肺炎的視覺信號,從而導致通過人工讀取胸部X射線圖像來檢測肺炎的過程可能會很耗時,而且準確性較低。因而為了更好的輔助放射科醫(yī)生讀取胸部X射線圖像,開發(fā)一個自動檢測肺炎的模型是十分有意義的。目前,肺炎檢測模型面臨兩個問題:其一,胸片中肺炎的檢測不同于傳統(tǒng)的目標檢測,傳統(tǒng)的目標檢測中目標的特征十分明顯,而胸片中肺炎的視覺信號的特征不明顯;其二,對于肺炎的檢測而言,不僅需要觀察胸片,還要詢問病人的臨床史。這些問題給肺炎的檢測帶來了一定的困難。近期,隨著人工智能的發(fā)展,深度學習在醫(yī)學圖像上的應用表現(xiàn)出極大的優(yōu)勢。隨著深度學習在目標檢測上不斷的發(fā)展和高性能的實現(xiàn),深度學習可以更好地解...

【文章頁數(shù)】：96 頁

【學位級別】：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 肺炎檢測的研究背景和意義
        1.2.1 肺炎檢測的研究背景
        1.2.2 肺炎檢測的研究目的與意義
    1.3 國內(nèi)外研究現(xiàn)狀
        1.3.1 國內(nèi)研究現(xiàn)狀
        1.3.2 國外發(fā)展現(xiàn)狀
    1.4 論文主要內(nèi)容及結構
第2章 深度學習簡介
    2.1 深度學習
    2.2 神經(jīng)網(wǎng)絡的相關知識
        2.2.1 人工神經(jīng)網(wǎng)絡
        2.2.2 卷積神經(jīng)網(wǎng)絡的基本結構
        2.2.3 卷積神經(jīng)網(wǎng)絡的計算
        2.2.4 激活函數(shù)
    2.3 基于深度學習的目標檢測算法
        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
        2.3.5 RetinaNet網(wǎng)絡
    2.4 總結
第3章 數(shù)據(jù)準備及預處理
    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 圖像轉換
        3.3.2 數(shù)據(jù)的標簽類別分析
    3.4 數(shù)據(jù)預處理
    3.5 本章總結
第4章 基于深度學習的肺炎檢測算法
    4.1 模型選擇
    4.2 基于改進的Faster R-CNN的肺炎檢測算法
        4.2.1 改進的Faster R-CNN網(wǎng)絡模型
        4.2.2 Faster R-CNN模型解析
        4.2.3 候選框回歸
        4.2.4 訓練過程及模型參數(shù)
        4.2.5 實驗數(shù)據(jù)
        4.2.6 評價指標和實驗結果
        4.2.7 實驗分析
    4.3 基于改進的YOLOv3的肺炎檢測算法
        4.3.1 YOLOv3網(wǎng)絡結構
        4.3.2 改進的特征融合方式
        4.3.3 YOLOv3的邊界框預測
        4.3.4 訓練過程及模型參數(shù)
        4.3.5 實驗結果
        4.3.6 實驗分析
    4.4 基于改進的RetinaNet的肺炎檢測算法
        4.4.1 RetinaNet網(wǎng)絡的優(yōu)勢
        4.4.2 改進的RetinaNet網(wǎng)絡結構
        4.4.3 RetinaNet網(wǎng)絡中候選邊界框的生成
        4.4.4 Focal Loss損失函數(shù)
        4.4.5 訓練過程及模型參數(shù)設置
        4.4.6 基于融合的RetinaNet網(wǎng)絡的肺炎檢測算法
        4.4.7 實驗結果
        4.4.8 實驗分析
    4.5 基于改進的Mask R-CNN肺炎檢測算法
        4.5.1 改進的Mask R-CNN網(wǎng)絡結構
        4.5.2 Mask R-CNN網(wǎng)絡中的候選邊界框生成機制
        4.5.3 訓練過程及網(wǎng)絡參數(shù)設置
        4.5.4 基于融合的Mask R-CNN網(wǎng)絡的肺炎檢測算法
        4.5.5 實驗結果
        4.5.6 實驗分析
    4.6 基于RetinaNet和 Mask R-CNN融合的肺炎檢測算法
    4.7 實驗綜合分析
    4.8 總結
第5章 總結和展望
    5.1 論文總結
    5.2 展望
參考文獻
攻讀碩士學位期間取得的研究成果
致謝



本文編號：3837293