人類非腦部疾病的醫(yī)學(xué)研究可以依賴動物來實現(xiàn),而腦部疾病則存在許多局限性,例如人腦和動物腦之間具有的本質(zhì)區(qū)別,人腦可以進行對思維和記憶的計算,內(nèi)部結(jié)構(gòu)復(fù)雜、精細,而直接進行人腦的研究則違背社會倫理道德,因此,大多數(shù)現(xiàn)代醫(yī)學(xué)中的腦部研究都是通過計算機輔助方法完成的。計算機技術(shù)在近些年的急速發(fā)展,使得核磁共振成像技術(shù)（MRI）已廣泛應(yīng)用于醫(yī)學(xué)領(lǐng)域。其中自動且準確地分類不同類型的病理腦圖像尤為重要。本文研究建立一個MRI病腦圖像自動檢測分類系統(tǒng),將健康、腦血管類疾病、腫瘤性疾病、退行性疾病以及炎癥性疾病進行更為準確的分類。本文的主要研究工作如下:1.研究自編碼器（AE）在MRI腦圖像特征提取過程中的可行性與意義,并對自編碼器進行優(yōu)化改進,利用改進后的堆疊式稀疏自編碼器（SSAE）方法進行MRI腦圖像的特征提取。在AE算法中引入L1正則化,在最小化經(jīng)驗誤差函數(shù)中加入約束,從而使得模型能滿足稀疏性的要求;2.針對深度學(xué)習(xí)方法訓(xùn)練時間過長的問題,提出了小批量尺度共軛梯度（MSCG）算法。MSCG算法在運算過程中采用列文伯格（LM）方法來避免存儲和計算牛頓法所需要的二階導(dǎo)數(shù)信息,并且該算法在共軛梯度（... 

【文章來源】：南京師范大學(xué)江蘇省 211工程院校

【文章頁數(shù)】：80 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖２－３深度網(wǎng)絡(luò)基本結(jié)構(gòu)??深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)中的隱含層的數(shù)量并不固定，其值根據(jù)作者而定

Ｑ?０?Ｄ隱含層１」ｉ??９?９?Ｗ?９?９??圖２－５深度置信網(wǎng)絡(luò)結(jié)構(gòu)??基于ＲＢＭ的上述特性，ＤＢＮ逐層訓(xùn)練過程十分有效，通過隱含層特征提取??使得之后網(wǎng)絡(luò)層數(shù)的訓(xùn)練數(shù)據(jù)更具代表性，并且通過可生成新數(shù)據(jù)能解決樣本量??不足的問題。ＤＢＮ的訓(xùn)練過程如圖２?－?６所示。??將上一個ＲＢＭ所提取出??的特征作為下一個ＲＢＭ??的輸入．繼續(xù)訓(xùn)練??Ｉ『??重Ｓ上一個過程，以訓(xùn)??練盡可能多的ＲＢＭ層??，?ｉＳｋ．??｜＿＿＿＿Ｉ??最底部的ＲＢＭ對原始輸??入數(shù)據(jù)進行訓(xùn)練??圖２－６深度置信網(wǎng)絡(luò)的訓(xùn)練過程??２．２．３卷積神經(jīng)網(wǎng)絡(luò)??卷積神經(jīng)網(wǎng)絡(luò)（ＣＮＮ）是一種深度學(xué)習(xí)方法，它引起了人們的廣泛關(guān)注。由??于ＣＮＮ可以避免復(fù)雜的圖像預(yù)處理階段，因此，實驗中可以直接進行原始圖像??１２??

基于ＲＢＭ的上述特性，ＤＢＮ逐層訓(xùn)練過程十分有效，通過隱含層特征提取??使得之后網(wǎng)絡(luò)層數(shù)的訓(xùn)練數(shù)據(jù)更具代表性，并且通過可生成新數(shù)據(jù)能解決樣本量??不足的問題。ＤＢＮ的訓(xùn)練過程如圖２?－?６所示。??將上一個ＲＢＭ所提取出??的特征作為下一個ＲＢＭ??的輸入．繼續(xù)訓(xùn)練??Ｉ『??重Ｓ上一個過程，以訓(xùn)??練盡可能多的ＲＢＭ層??，?ｉＳｋ．??｜＿＿＿＿Ｉ??最底部的ＲＢＭ對原始輸??入數(shù)據(jù)進行訓(xùn)練??圖２－６深度置信網(wǎng)絡(luò)的訓(xùn)練過程??２．２．３卷積神經(jīng)網(wǎng)絡(luò)??卷積神經(jīng)網(wǎng)絡(luò)（ＣＮＮ）是一種深度學(xué)習(xí)方法，它引起了人們的廣泛關(guān)注。由??于ＣＮＮ可以避免復(fù)雜的圖像預(yù)處理階段，因此，實驗中可以直接進行原始圖像??１２??

【參考文獻】：
期刊論文
[1]網(wǎng)絡(luò)安全遇上人工智能:綜述（英文）[J]. Jian-hua LI.  Frontiers of Information Technology & Electronic Engineering. 2018(12)
[2]基于影像的病腦檢測方法綜述[J]. 賈文娟,王水花,張煜東.  計算機工程與應(yīng)用. 2018(11)
[3]基于深度學(xué)習(xí)的CT腦影像分類方法用于阿爾茨海默病的初步篩查[J]. 惠瑞,高小紅,田增民.  中國醫(yī)療設(shè)備. 2017(12)
[4]利用拼音特征的深度學(xué)習(xí)文本分類模型[J]. 趙博軒,房寧,趙群飛,張朋柱.  高技術(shù)通訊. 2017(07)
[5]深度學(xué)習(xí)在魚類圖像識別與分類中的應(yīng)用[J]. 林明旺.  數(shù)字技術(shù)與應(yīng)用. 2017(04)
[6]基于卷積神經(jīng)網(wǎng)絡(luò)的人臉識別算法[J]. 李輝,石波.  軟件導(dǎo)刊. 2017(03)
[7]基于跨領(lǐng)域卷積稀疏自動編碼器的抽象圖像情緒性分類[J]. 樊養(yǎng)余,李祖賀,王鳳琴,馬江濤.  電子與信息學(xué)報. 2017(01)
[8]基于判別式受限玻爾茲曼機的醫(yī)學(xué)圖像分類法[J]. 陳娜,蔣蕓,鄒麗,沈建,胡學(xué)偉,李志磊.  計算機科學(xué). 2015(05)
[9]基于局部二值模式和深度學(xué)習(xí)的人臉識別[J]. 張雯,王文偉.  計算機應(yīng)用. 2015(05)
[10]基于受限玻爾茲曼機的中文文檔分類[J]. 楊瑩,吳誠煒,胡蘇.  科技創(chuàng)新導(dǎo)報. 2012(16)



本文編號：2991141