醫(yī)療診斷水平影響著人民的生命健康生活。目前醫(yī)療數(shù)據(jù)量日益增大,但能否利用好這龐大的醫(yī)療數(shù)據(jù)為醫(yī)療事業(yè)做出貢獻(xiàn)至關(guān)重要。臨床醫(yī)學(xué)影像是醫(yī)療大數(shù)據(jù)中極具代表性的一種,伴隨著醫(yī)學(xué)影像技術(shù)的發(fā)展,臨床實(shí)際中產(chǎn)生了大量醫(yī)學(xué)影像數(shù)據(jù),與此同時(shí),這些影像數(shù)據(jù)里存在著大量的無(wú)效信息和干擾因素。為了準(zhǔn)確進(jìn)行疾病診斷,必須要精確找出醫(yī)學(xué)影像中的有效信息。與此同時(shí),深度學(xué)習(xí)技術(shù)在解決諸如視覺(jué)識(shí)別、語(yǔ)音識(shí)別和自然語(yǔ)言處理等很多問(wèn)題方面都表現(xiàn)出色。因此,本文主要基于深度學(xué)習(xí)技術(shù)去挖掘醫(yī)學(xué)影像中的可用信息。本文首先對(duì)一些經(jīng)典的機(jī)器學(xué)習(xí)相關(guān)算法進(jìn)行了分析與研究,并重點(diǎn)介紹了BP神經(jīng)網(wǎng)絡(luò)模型、傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)模型和VGG模型。然后,對(duì)傳統(tǒng)的醫(yī)學(xué)圖像診斷方法做了研究和總結(jié),并從圖像去噪,圖像分割,特征提取,圖像分類四個(gè)方面進(jìn)行了介紹,并分析其缺陷與不足。最后,針對(duì)卵巢癌和新型冠狀病毒肺炎兩種臨床醫(yī)學(xué)影像,基于深度學(xué)習(xí)技術(shù),建立了卵巢癌與新冠狀性病毒肺炎的智能判別模型。通過(guò)對(duì)相關(guān)圖像進(jìn)行圖像處理,包括圖像去噪,灰度化處理,高斯濾波,圖像放縮,然后再調(diào)整不同參數(shù)進(jìn)行實(shí)驗(yàn),建立起效果最好的診斷模型,從而實(shí)現(xiàn)對(duì)卵巢癌與新冠肺炎... 

【文章來(lái)源】：長(zhǎng)春工業(yè)大學(xué)吉林省

【文章頁(yè)數(shù)】：42 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

BP神經(jīng)網(wǎng)絡(luò)示意圖

第3章計(jì)算機(jī)輔助下的醫(yī)學(xué)圖像診斷14圖3-1典型醫(yī)學(xué)圖像對(duì)圖像進(jìn)行去噪后，圖像的對(duì)比度和細(xì)節(jié)會(huì)因去噪以及其他因素的影響而降低和模糊，應(yīng)對(duì)這種現(xiàn)象可以采用圖像增強(qiáng)的方法，修補(bǔ)圖像經(jīng)過(guò)處理后的損失，以便于接下來(lái)對(duì)圖像的處理中能夠獲得更多的有效信息。3.2圖像分割分類的精確與否對(duì)醫(yī)生做出診斷具有重要的影響，也是醫(yī)學(xué)圖像診斷中很重要的一個(gè)環(huán)節(jié)，因此學(xué)者們針對(duì)處理大型圖像的任務(wù)開(kāi)發(fā)除了許多圖像分割的方法。Sun等在嘗試提高對(duì)圖像的分割速度方面提出了一種并行分割方法，該方法將SVM的特點(diǎn)與區(qū)域生長(zhǎng)相結(jié)合，改善了分割結(jié)果使得下一步的分析更加便利[43]。Saad等基于閾值技術(shù)提出了一種能夠分成若干區(qū)域的分割方法，對(duì)正常和病變區(qū)域進(jìn)行比較，確定最佳閾值進(jìn)行分割，方法是通過(guò)在計(jì)算每個(gè)區(qū)域的直方圖得出每個(gè)強(qiáng)度級(jí)別的最大像素個(gè)數(shù)[44]。為了解決醫(yī)學(xué)圖像分割任務(wù)繁重的問(wèn)題，學(xué)者們對(duì)其進(jìn)行了深入研究，嘗試結(jié)合不同的理論到其中，得到了許多更優(yōu)質(zhì)的圖像自動(dòng)分割方法，其中有模糊理論、先驗(yàn)知識(shí)、人工神經(jīng)網(wǎng)絡(luò)等。Christ等將模糊C-FCM運(yùn)用到了醫(yī)學(xué)圖像分割任務(wù)中，得到了有效的分割結(jié)果[45]。Dong等引入了先驗(yàn)知識(shí)，讓醫(yī)學(xué)圖像分割任務(wù)能夠基于隨機(jī)游走來(lái)進(jìn)行[46]。鄒瑜等改善了自組織映射（SOM）網(wǎng)絡(luò)，該研究中將有限脈沖響應(yīng)（FIR）引入到神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)里的神經(jīng)元中，解決了SOM的分割性能會(huì)隨神經(jīng)元數(shù)量增加而下降的問(wèn)題，該方法通過(guò)FIR-SOM分割后采用了合并聚類的方法連接各聯(lián)合聚類對(duì)象[47]。3.3特征提取神經(jīng)網(wǎng)絡(luò)在訓(xùn)練過(guò)程中提取的特征種類里包括幾何特征、灰度特征、以及紋理特征，在圖像處理中特征提取對(duì)訓(xùn)練結(jié)果有重要的影響[48,49]。幾何特征描述了物體的形狀，根據(jù)幾何類型大致分為細(xì)長(zhǎng)度、類圓

第4章深度學(xué)習(xí)算法在卵巢癌輔助診斷中的應(yīng)用19問(wèn)題。直接使用深度學(xué)習(xí)進(jìn)行訓(xùn)練是不妥當(dāng)?shù)模虼�，需要先�?duì)圖像進(jìn)行圖像預(yù)處理，從而提高圖像分類準(zhǔn)確率，加快訓(xùn)練速度。4.2.1圖像切割經(jīng)過(guò)數(shù)據(jù)清洗之后，圖像數(shù)據(jù)上仍然攜帶有大量無(wú)關(guān)腫瘤的信息，圖像頂部還會(huì)顯示彩超機(jī)器信息，這些因素會(huì)影響模型分類效果，因此，需要再對(duì)圖像進(jìn)行切割。每一張圖片，均將其四周干擾信息的部分切割掉，留下中間包含有效信息的部分。對(duì)于當(dāng)前正待處理的圖片，其頂端與底端所切割大小，所使用計(jì)算公式為：=′′×(4-1)=′′×(4-2)其中,分別為頂端切割長(zhǎng)度，底端切割長(zhǎng)度，為當(dāng)前圖像高度，′,′為一標(biāo)準(zhǔn)圖片中所切割的頂端長(zhǎng)度與底端長(zhǎng)度，′為此標(biāo)準(zhǔn)圖像高度。其左端與右端所切割大小，所使用計(jì)算公式為：=′′×(4-2)=′′×(4-3)其中,分別為左端切割長(zhǎng)度，右端切割長(zhǎng)度，為當(dāng)前圖像寬度，′,′為一標(biāo)準(zhǔn)圖片中所切割的左端長(zhǎng)度與右端長(zhǎng)度，′為此標(biāo)準(zhǔn)圖像寬度。使用此公式，可以根據(jù)當(dāng)前圖像尺寸大小，自適應(yīng)的裁剪掉相應(yīng)部位，圖像切割效果如下圖所示。a）圖像切割前b）圖像切割后圖4-1圖像切割效果示意圖對(duì)圖像進(jìn)行切割，可以有效的降低圖像尺寸，從而減少了深度學(xué)習(xí)模型訓(xùn)練的所

【參考文獻(xiàn)】：
期刊論文
[1]計(jì)算機(jī)輔助系統(tǒng)在診斷乳腺良惡性腫瘤中的應(yīng)用[J]. 吳秀明,王霞麗,呂國(guó)榮,魏夢(mèng)婉,杜永兆,柳培忠.  中國(guó)醫(yī)學(xué)物理學(xué)雜志. 2020(03)
[2]婦科腫瘤的防治現(xiàn)狀與面臨的挑戰(zhàn)[J]. 謝幸,沈源明.  中國(guó)實(shí)用婦科與產(chǎn)科雜志. 2020(01)
[3]中國(guó)癌癥的現(xiàn)狀與疾病負(fù)擔(dān)[J]. 王偉進(jìn),張曉路.  中國(guó)經(jīng)濟(jì)報(bào)告. 2019(04)
[4]基于改進(jìn)的SOM神經(jīng)網(wǎng)絡(luò)的醫(yī)學(xué)圖像分割算法[J]. 鄒瑜,帥仁俊.  計(jì)算機(jī)工程與設(shè)計(jì). 2016(09)
[5]基于幾何特征的孤立性肺結(jié)節(jié)檢測(cè)[J]. 陳樹(shù)越,晁亞,鄒凌.  生物醫(yī)學(xué)工程學(xué)雜志. 2016(04)
[6]基于多模態(tài)3D-CNNs特征提取的MRI腦腫瘤分割方法[J]. 羅蔓,黃靖,楊豐.  科學(xué)技術(shù)與工程. 2014(31)
[7]對(duì)婦科腫瘤治療的再認(rèn)識(shí)[J]. 魏麗惠.  中國(guó)婦產(chǎn)科臨床雜志. 2010(06)

碩士論文
[1]深度學(xué)習(xí)在圖像識(shí)別中的研究及應(yīng)用[D]. 李衛(wèi).武漢理工大學(xué) 2014
[2]低劑量CT孤立肺結(jié)節(jié)檢測(cè)方法研究[D]. 郭浩.西安電子科技大學(xué) 2010



本文編號(hào)：3607470