近年來,隨著“人工智能”的火熱,深度學(xué)習(xí)的方法幾乎成為各個領(lǐng)域的首選研究方法,尤其是在醫(yī)療圖像領(lǐng)域。在醫(yī)療領(lǐng)域中,使用生物醫(yī)學(xué)影像對病人進(jìn)行診斷是必不可少的治療手段。新興的深度學(xué)習(xí)方法,可以從醫(yī)療圖像的大數(shù)據(jù)中,學(xué)習(xí)到隱含的疾病特征,其展現(xiàn)出的特有的強大的特征學(xué)習(xí)能力,迅速成為科研人員在醫(yī)療圖像領(lǐng)域中研究的熱點。對醫(yī)療圖像的研究可以促進(jìn)醫(yī)療事業(yè)的發(fā)展,提高醫(yī)療設(shè)施的精確性和可靠性,醫(yī)生可以使用計算機輔助系統(tǒng)對病人進(jìn)行輔助性的診斷,減少醫(yī)生的工作負(fù)擔(dān),提高診斷效率,這對于醫(yī)療領(lǐng)域的發(fā)展具有非常重要的意義和價值。在醫(yī)療圖像領(lǐng)域中存在著以下幾種任務(wù),包括醫(yī)學(xué)圖像的分類、識別、定位、檢測和分割等任務(wù)。其中分類與分割任務(wù)是兩個及其相似的任務(wù),前者是圖像級的分類,而后者是像素級的分類。圖像分割是在分類任務(wù)的基礎(chǔ)上又更加細(xì)致的區(qū)分每個像素所屬的類別,需要將圖像中的每一個目標(biāo)識別出來,是基于像素的一種密集型分類任務(wù),追根溯源分割的最終目的還是分類。本文主要所作的工作就是基于醫(yī)療圖像的分類和分割展開的:1.在醫(yī)療圖像分類任務(wù)上,利用經(jīng)典的預(yù)訓(xùn)練好的深度學(xué)習(xí)模型,將新的歸一化方法Switchable No... 

【文章頁數(shù)】：69 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景
    1.2 研究現(xiàn)狀
    1.3 研究意義
    1.4 研究內(nèi)容
    1.5 組織結(jié)構(gòu)
第二章 基于卷積神經(jīng)網(wǎng)絡(luò)的醫(yī)療圖像分類研究
    2.1 醫(yī)療圖像分類模型的設(shè)計
        2.1.1 CNN模塊
        2.1.2 LSTM網(wǎng)絡(luò)結(jié)構(gòu)
        2.1.3 Attention注意力機制
        2.1.4 Switchable Normalization歸一化
        2.1.5 Targeted Dropout
        2.1.6 TTA測試時增強
    2.2 數(shù)據(jù)集介紹
    2.3 評價指標(biāo)
    2.4 數(shù)據(jù)預(yù)處理
    2.5 實驗結(jié)果與對比分析
    2.6 本章小結(jié)
第三章 基于卷積神經(jīng)網(wǎng)絡(luò)的醫(yī)療圖像分割研究
    3.1 醫(yī)療圖像分割模型的設(shè)計
        3.1.1 Low-Level Inception結(jié)構(gòu)
        3.1.2 3D Squeeze and Excitation結(jié)構(gòu)
        3.1.3 Reduction結(jié)構(gòu)
        3.1.4 High-Level Inception結(jié)構(gòu)
        3.1.5 Residual Connection結(jié)構(gòu)
        3.1.6 Prediction and Fusion結(jié)構(gòu)
    3.2 數(shù)據(jù)集介紹
    3.3 評價指標(biāo)
    3.4 預(yù)處理過程
    3.5 實驗結(jié)果與對比分析
    3.6 本章小結(jié)
第四章 總結(jié)
    4.1 論文的工作內(nèi)容和主要貢獻(xiàn)
    4.2 將來研究工作
參考文獻(xiàn)
碩士期間完成的科研成果
致謝


【參考文獻(xiàn)】：
期刊論文
[1]深度學(xué)習(xí)在計算機視覺領(lǐng)域的應(yīng)用進(jìn)展[J]. 周益淇.  電子制作. 2018(16)
[2]醫(yī)學(xué)圖像分析深度學(xué)習(xí)方法研究與挑戰(zhàn)[J]. 田娟秀,劉國才,谷珊珊,鞠忠建,劉勁光,顧冬冬.  自動化學(xué)報. 2018(03)



本文編號：3734470