發(fā)布時間：2024-03-05 20:01

　　研究背景深度學(xué)習(xí)被引入機(jī)器學(xué)習(xí)領(lǐng)域使其更接近于人類最初的目標(biāo)—人工智能,卷積神經(jīng)網(wǎng)絡(luò)作為深度學(xué)習(xí)典型模型于計(jì)算機(jī)視覺領(lǐng)域取得顯著成績。隨著肺癌嚴(yán)重威脅人類生命健康,基于數(shù)字影像的早診斷早治療對于肺癌患者至關(guān)重要,將計(jì)算機(jī)輔助診斷系統(tǒng)作為醫(yī)生的第二雙眼睛可以提供精確的定量分析,彌補(bǔ)人眼惰性及對灰階不敏感的缺陷,從而幫助醫(yī)生快速診療,達(dá)到對于圖像和疾病解釋的一致性。研究目的以肺部腫瘤CT、PET和PET/CT融合圖像三模態(tài)圖像作為研究對象,基于新型的深度學(xué)習(xí)算法—卷積神經(jīng)網(wǎng)絡(luò)對肺部腫瘤圖像進(jìn)行識別研究以實(shí)現(xiàn)肺部腫瘤計(jì)算機(jī)輔助診斷,幫助醫(yī)生準(zhǔn)確診療,提高閱片效率,降低勞動強(qiáng)度,從而推動計(jì)算機(jī)智能化進(jìn)程,實(shí)現(xiàn)深度學(xué)習(xí)在醫(yī)學(xué)領(lǐng)域的臨床應(yīng)用。研究方法在卷積神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)的基礎(chǔ)上,提出了集成卷積神經(jīng)網(wǎng)絡(luò)和深度卷積神經(jīng)網(wǎng)絡(luò)兩種特殊的模型結(jié)構(gòu)分別用于肺部腫瘤圖像識別。在不同的肺部腫瘤PET/CT樣本空間構(gòu)建三個單一卷積神經(jīng)網(wǎng)絡(luò)(CT-CNN、PET-CNN、PET/CT-CNN)的基礎(chǔ)上,構(gòu)建集成卷積神經(jīng)網(wǎng)絡(luò)基于局部特征進(jìn)行肺部腫瘤識別研究;構(gòu)建深度卷積神經(jīng)網(wǎng)絡(luò)基于CT全局特征用于肺部腫瘤的識別;采用...

【文章頁數(shù)】：87 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖7CT、PET、PET/CT原始圖像

軟、硬件環(huán)境如下：s7操作系統(tǒng)，MatlabR2014bonCPUE5-2407v2@2.40GHz，32.0GB內(nèi)醫(yī)科大學(xué)總醫(yī)院影像科獲取CT、PET和PT、PET和PET/CT三種模態(tài)數(shù)據(jù)各3000部腫瘤的1500例和正常的1500例，為....

圖8預(yù)處理后部分圖像

大學(xué)碩士學(xué)位論文第三章基于集成CNN和局部特征的肺部腫瘤PET/CT識別一對應(yīng)手動縮小病灶范圍，提取ROI區(qū)域，并將實(shí)驗(yàn)圖像大小歸一化為2850，保證數(shù)據(jù)本身的統(tǒng)一性并為了更好的驗(yàn)證卷積神經(jīng)網(wǎng)絡(luò)的整體性能，經(jīng)預(yù)部分實(shí)驗(yàn)數(shù)據(jù)如圖8所示；最后，對每一種模態(tài)的數(shù)據(jù)....

圖10不同模態(tài)迭代次數(shù)與錯分率的關(guān)系

敏度(%)70.0097.3395.33100.0097.33100.00100.0異度(%)66.6796.0098.6796.67100.0096.6798.00迭代次數(shù)高于10次后基本達(dá)到96%的準(zhǔn)確識別率，隨增長浮動，迭代50次后識別....

圖11迭代次數(shù)與錯誤率的關(guān)系

（1）迭代次數(shù)和批次大小對識別率和訓(xùn)練時間的影響圖11顯示了迭代次數(shù)與錯分率之間的關(guān)系，可以看出不管批量訓(xùn)練的大小是多少，隨著迭代次數(shù)的增加，錯分率都在降低，當(dāng)?shù)螖?shù)超過50次時，識別率高達(dá)98%左右，但隨著訓(xùn)練次數(shù)的繼續(xù)增加，識別率維持在較高的水平，基本不會出現(xiàn)過訓(xùn)....

本文編號：3919970