肺癌的篩查一般需要PET-CT醫(yī)學(xué)影像技術(shù)作為輔助手段。確定了肺癌類型,才能采用對(duì)應(yīng)的醫(yī)學(xué)手段進(jìn)行治療。如果只依靠醫(yī)生的肉眼以及經(jīng)驗(yàn)對(duì)肺癌的類型進(jìn)行判斷,不但效率低下,而且診斷效果并不理想。肺癌檢測(cè)判別是醫(yī)學(xué)圖像領(lǐng)域的一個(gè)十分重要的任務(wù),會(huì)使用到很多機(jī)器學(xué)習(xí)相關(guān)的理論和方法。然而,對(duì)于復(fù)雜問題,精確提取到圖像特征應(yīng)用于機(jī)器學(xué)習(xí)方法,并不是一件容易的事。面對(duì)日益增長(zhǎng)的癌癥診斷需求和耗時(shí)耗力并且準(zhǔn)確率并不高的肺癌分型任務(wù),本課題研究了神經(jīng)網(wǎng)絡(luò)進(jìn)行肺癌分型的可能并設(shè)計(jì)了不同的網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行對(duì)比實(shí)驗(yàn)。在之前的研究中,PET-CT的中兩種模態(tài)數(shù)據(jù)經(jīng)常單獨(dú)使用。本課題充分利用了可使用的數(shù)據(jù),通過神經(jīng)網(wǎng)絡(luò),利用了多模態(tài)的數(shù)據(jù),考察了CT,PET數(shù)據(jù)分別單獨(dú)作為網(wǎng)絡(luò)輸入的效果,以及使用不同的網(wǎng)絡(luò)結(jié)構(gòu)對(duì)CT,PET數(shù)據(jù)進(jìn)行融合的神經(jīng)網(wǎng)絡(luò)的效果。系統(tǒng)實(shí)現(xiàn)過程對(duì)比了在輸入層進(jìn)行融合(Fusion of Pixel Maps,FPM),對(duì)特征圖進(jìn)行融合(Fusion of Feature Maps,FFM)以及在全聯(lián)接前的特征向量進(jìn)行融合(Fusion of Vectors,FV)這三種融合方式,其中對(duì)特征圖進(jìn)...

【文章頁(yè)數(shù)】：85 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖1-1病人的一張CT圖像示例

哈爾濱工業(yè)大學(xué)工學(xué)碩士學(xué)位論文-6-圖1-1病人的一張CT圖像示例圖1-2病人的一張PET圖像示例肺癌分型任務(wù)是醫(yī)學(xué)圖像領(lǐng)域的一個(gè)十分重要的任務(wù)。在先前對(duì)于肺癌分型任務(wù)的研究中，學(xué)者使用到很多傳統(tǒng)機(jī)器學(xué)習(xí)相關(guān)的理論和方法。早在1985年，就有學(xué)者通過if-else式的專家系統(tǒng)（e....

圖1-2病人的一張PET圖像示例

哈爾濱工業(yè)大學(xué)工學(xué)碩士學(xué)位論文-6-圖1-1病人的一張CT圖像示例圖1-2病人的一張PET圖像示例肺癌分型任務(wù)是醫(yī)學(xué)圖像領(lǐng)域的一個(gè)十分重要的任務(wù)。在先前對(duì)于肺癌分型任務(wù)的研究中，學(xué)者使用到很多傳統(tǒng)機(jī)器學(xué)習(xí)相關(guān)的理論和方法。早在1985年，就有學(xué)者通過if-else式的專家系統(tǒng)（e....

圖1-3LeNet的網(wǎng)絡(luò)結(jié)構(gòu)

淖蘢⑸浼亮浚??募撲閎綣??-5所示。DoseCorrected=DoseTotal×201HalfLife(1-5)其中，DoseTotal表示總的注射劑量，t0表示開始注射的時(shí)間，t1表示進(jìn)行PET圖像拍時(shí)的時(shí)間，HalfLife表示注射藥物的半衰期。最終，經(jīng)過反復(fù)驗(yàn)證和實(shí)驗(yàn)....

圖1-4AlexNet的網(wǎng)絡(luò)結(jié)構(gòu)

哈爾濱工業(yè)大學(xué)工學(xué)碩士學(xué)位論文-10-消失或梯度爆炸的問題。在該網(wǎng)絡(luò)中，作者使用了ReLU函數(shù)作為激活函數(shù)，利用該函數(shù)在自變量大于0的時(shí)候，梯度為1的特點(diǎn)，解決了梯度爆炸的問題。并且在訓(xùn)練時(shí)使用了Dropout，這樣可以方式過擬合，增強(qiáng)模型的泛化能力。在AlexNet中，使用了o....

本文編號(hào)：3892045