【摘要】：醫(yī)學(xué)影像分析是廣大醫(yī)務(wù)人員診斷疾病的主要方式,本文針對OCT視網(wǎng)膜數(shù)據(jù)和Chest X-Ray肺炎數(shù)據(jù)等醫(yī)學(xué)影像數(shù)據(jù)的特點(diǎn),提出一種基于卷積神經(jīng)網(wǎng)絡(luò)和遷移學(xué)習(xí)的深度融合方法。利用深度學(xué)習(xí)的方法時(shí),OCT視網(wǎng)膜數(shù)據(jù)和Chest X-Ray肺炎數(shù)據(jù)的數(shù)據(jù)量依然不足,提出一種基于卷積神經(jīng)網(wǎng)絡(luò)和遷移學(xué)習(xí)的可以融合多種基礎(chǔ)卷積神經(jīng)網(wǎng)絡(luò)模型所提取特征的新模型,使用的基礎(chǔ)卷積神經(jīng)網(wǎng)絡(luò)模型為VGG16、ResNet50和Inception V3。本文首先對輸入模型的數(shù)據(jù)進(jìn)行隨機(jī)變換,然后使用卷積神經(jīng)網(wǎng)絡(luò)提取高級特征,接著對高級特征進(jìn)行融合,并加入噪聲,融合后的特征進(jìn)一步進(jìn)行特征提取,并通過降維和稀疏性限制的方法減少冗余特征,最后使用softmax函數(shù)進(jìn)行分類。本文模型的參數(shù)初始化使用Xavier方法,并使用批歸一化避免訓(xùn)練過程的來回震蕩,加快訓(xùn)練速度;為了降低過擬合使用dropout方法,在損失函數(shù)計(jì)算時(shí)使用L1正則化;為了提高魯棒性,對預(yù)訓(xùn)練的基礎(chǔ)模型提取的特征加入噪聲。本文所提出的模型在OCT視網(wǎng)膜數(shù)據(jù)上的分類準(zhǔn)確率為97.84%,在Chest X-Ray肺炎數(shù)據(jù)二分類問題的分類準(zhǔn)確率高達(dá)99.17%,在對肝癌數(shù)據(jù)的分類問題中,準(zhǔn)確率達(dá)到98.3%。為了實(shí)際應(yīng)用,本文基于所提出的算法,完成了一個(gè)醫(yī)學(xué)影像分析軟件,可以輔助醫(yī)生完成圖像的判定工作。
【圖文】：

為解決全連接參數(shù)量劇增的缺點(diǎn)，卷積神經(jīng)網(wǎng)絡(luò)應(yīng)運(yùn)而生，針對于圖像，逡逑局部特征比全局特征更需要被關(guān)注，卷積神經(jīng)網(wǎng)絡(luò)的局部連接更符合實(shí)際情況。逡逑卷積運(yùn)算Ｉ２６】是卷積神經(jīng)網(wǎng)絡(luò)的核心步驟。卷積原本是一種數(shù)學(xué)運(yùn)算，用表逡逑示，式Ｐ－１）表示卷積運(yùn)算。在卷積神經(jīng)網(wǎng)絡(luò)中，Ｘ為輸入，Ｗ為核函數(shù)，輸出實(shí)際是逡逑特征映射。逡逑ｓ⑴＝邋（ｘ＊ｉｖ）（ｔ）邐（２－１）逡逑實(shí)際應(yīng)用時(shí)，輸入數(shù)據(jù)通常是多維數(shù)組，而核是由學(xué)習(xí)算法優(yōu)化得到的的參數(shù)。逡逑若將一張二維的圖像／作為輸入，需要一個(gè)二維的核尺，如式（２－２）所示。逡逑Ｓ（Ｕ）邋＝邋（／＊／0（0？）邋＝邋ＥｍＥｎ／（ｍ，ｎＫ（ｉ邋－ｍｊ邋－ｎ）邐（２－２）逡逑卷積滿足交換律，式（２－２）等價(jià)于式（２－３）：逡逑Ｓ（ｉ，，ｊ）邋＝邋（＾＊／）（ｉ，；）邋＝邋Ｅｍ２］ｎ／（ｉ－ｍ；；＇－ｎ）／Ｃ（ｍ，ｎ）邐（２－３）逡逑

池化運(yùn)算平均池化
【學(xué)位授予單位】：武漢科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：R445;TP18;TP391.41

【參考文獻(xiàn)】

相關(guān)期刊論文 前3條

1 胡從依;柳杰;劉佩芳;;數(shù)字化乳腺X線攝影評估乳腺密度、診斷乳腺癌的研究進(jìn)展[J];中國醫(yī)學(xué)影像技術(shù);2015年10期

2 余凱;賈磊;陳雨強(qiáng);徐偉;;深度學(xué)習(xí)的昨天、今天和明天[J];計(jì)算機(jī)研究與發(fā)展;2013年09期

3 余愛民;阜艷;;數(shù)字化醫(yī)學(xué)影像技術(shù)的進(jìn)展分析[J];中國醫(yī)療設(shè)備;2010年12期

本文編號：2629739