發(fā)布時(shí)間：2024-02-06 21:12

　　抽動(dòng)癥(Tourette Syndrome,TS)是一種以重復(fù)、刻板、無(wú)意識(shí)、無(wú)目的的運(yùn)動(dòng)性或聲音性的抽搐動(dòng)作為典型特征的,多發(fā)于兒童的慢性神經(jīng)系統(tǒng)疾病,易產(chǎn)生抑郁、焦慮、睡眠問(wèn)題等多種并發(fā)癥,對(duì)患者的正常生活、社會(huì)交往產(chǎn)生嚴(yán)重影響。臨床抽動(dòng)癥的診斷需要經(jīng)過(guò)包括病史收集、臨床檢查與評(píng)估、實(shí)驗(yàn)與輔助檢查等復(fù)雜過(guò)程,抽搐程度評(píng)估則需要醫(yī)生對(duì)患者進(jìn)行長(zhǎng)時(shí)間的訪談,根據(jù)量表對(duì)動(dòng)作行為進(jìn)行評(píng)分。診斷與評(píng)估過(guò)程消耗大量時(shí)間且需要醫(yī)生與患者之間的高度配合,同時(shí)存在患者主動(dòng)隱藏抽搐的可能,不利于診斷與評(píng)估。針對(duì)上述抽動(dòng)癥輔助診斷和嚴(yán)重程度評(píng)估中的困難和挑戰(zhàn),本論文探討了深度學(xué)習(xí)在抽動(dòng)癥輔助診斷中的可行性,使用機(jī)器視覺對(duì)抽搐動(dòng)作進(jìn)行檢測(cè)與識(shí)別。本論文以浙江大學(xué)醫(yī)學(xué)院附屬第二醫(yī)院兒科的72例抽動(dòng)癥患者的正面監(jiān)控視頻為基礎(chǔ),對(duì)抽搐動(dòng)作檢測(cè)與抽搐動(dòng)作識(shí)別進(jìn)行深度學(xué)習(xí)研究,構(gòu)建了基于多示例學(xué)習(xí)(Multiple Instance Learning,MIL)的殘差網(wǎng)絡(luò)(ResidualNetwork,Resnet)模型對(duì)抽搐動(dòng)作進(jìn)行檢測(cè),并構(gòu)建基于三維卷積神經(jīng)網(wǎng)絡(luò)(Three-Dimensional Convol...

【文章頁(yè)數(shù)】：59 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖２．４二維卷積與三維卷積生成特征圖的示意圖??２．１．４常見深度學(xué)習(xí)框架??

浙江大學(xué)碩士學(xué)位論文?第２章相關(guān)理論與技術(shù)??對(duì)應(yīng)的卷積核也是三維的。??對(duì)應(yīng)地，當(dāng)使用三維卷積神經(jīng)網(wǎng)絡(luò)（Ｔｈｒｅｅ－Ｄｉｍｅｎｓｉｏｎａｌ?ＣｏｎｖｏｌｕｔｉｏｎａｌＮｅｔｗｏｒｋ．??３Ｄ－ＣＮＮ）對(duì)多一個(gè)維度的視頻進(jìn)行分析處理時(shí)，網(wǎng)絡(luò)的輸入數(shù)據(jù)是四維的，在??２Ｄ－ＣＮＮ的....

圖２．５直方圖均衡化示意圖??需要注意的是，當(dāng)圖像為灰度圖時(shí)，直方圖均衡化使得所有像素的灰度在所??

浙江大學(xué)碩士學(xué)位論文?第２章相關(guān)理論與技術(shù)??０．０３５?＼??０?０１０?－??０．０３０?ｊ??０．０２Ｓ?（１?〇細(xì)－??１??°?°２〇?ｊ?＿｜?０?００６ｊ??：：｜?ｉｌｉＬ?１??５０?１?００?１５０?２００?２５０?０?５０?１００?１５０?２００?２５０??....

圖２．７多分類模型混淆矩陣??基于該混淆矩陣，多分類模型的一、二、三級(jí)評(píng)估指標(biāo)可以按以下方式進(jìn)行??計(jì)算：①一級(jí)指標(biāo)：針對(duì)毎一種分類，將該類視為陽(yáng)性，其他類合并視為陰性，??

浙江大學(xué)碩士學(xué)位論文?第２章相關(guān)理論與技術(shù)??真實(shí)值??麵值?１１１１??類１?Ｉ：麵??類２?丨：濟(jì)觸??圖２．７多分類模型混淆矩陣??基于該混淆矩陣，多分類模型的一、二、三級(jí)評(píng)估指標(biāo)可以按以下方式進(jìn)行??計(jì)算：①一級(jí)指標(biāo)：針對(duì)毎一種分類，將該類視為陽(yáng)性，其他類合并視為陰性，?....

圖３．２子區(qū)域分割示意圖??（３）分類器：分類器對(duì)所有的子區(qū)域進(jìn)行分類并評(píng)分，ＰｙＴｏｒｃｈ的ｔｏｒｃｈｖｉｓｉｏｎ??６１］［６２］、［６３］、ｅ［６４］、ｎｓｅｅ岡

具有一個(gè)異常（在模型中用１表示）或正常（在模型中用０表示）??的標(biāo)簽。??（２）圖像子區(qū)域切分：考慮到本論文使用的圖像的尺寸大小，使用接近于五??官大小的尺寸對(duì)圖像進(jìn)行均勻的子區(qū)域切割，以在后續(xù)的子區(qū)域評(píng)分、子區(qū)域排??序、子區(qū)域代表單幀過(guò)程中更具有實(shí)際意義，如網(wǎng)絡(luò)經(jīng)過(guò)學(xué)習(xí)，認(rèn)為....

本文編號(hào)：3896193