發(fā)布時(shí)間：2020-06-11 18:55

【摘要】：肺結(jié)核病是世界上最致命的傳染病,然而肺結(jié)核是一種可治愈的疾病,早期的發(fā)現(xiàn)和診斷是治療結(jié)核病的關(guān)鍵步驟�，F(xiàn)有的計(jì)算機(jī)輔助檢測(cè)系統(tǒng)針對(duì)胸部X光片對(duì)肺結(jié)核病的診斷工作已經(jīng)有了初步的研究,但仍缺乏更為深入的分析,如肺結(jié)核病灶區(qū)域的定位、病灶征象的分類等問題。隨著近年來深度神經(jīng)網(wǎng)絡(luò)的興起,利用深度卷積神經(jīng)網(wǎng)絡(luò)來解決上述的問題具有非常大的優(yōu)勢(shì)與潛力。本文針對(duì)胸部X光片,提出了改進(jìn)的深度卷積神經(jīng)網(wǎng)絡(luò)并研究了肺結(jié)核病的病灶檢測(cè)及分類算法。主要工作如下:(1)構(gòu)建了包含5299張胸部正位X光片的肺結(jié)核數(shù)據(jù)集,其中不包含疾病的圖像有2383張,感染肺結(jié)核病的圖像有2806張。感染肺結(jié)核病的胸部X光片圖像由3位專業(yè)的影像科醫(yī)生進(jìn)行病灶標(biāo)注,共包括6類肺結(jié)核征象。(2)提出一種基于U型卷積神經(jīng)網(wǎng)絡(luò)的肺實(shí)質(zhì)分割方法。針對(duì)X光片肺實(shí)質(zhì)分割數(shù)據(jù)較少的問題,首先對(duì)分割數(shù)據(jù)采取數(shù)據(jù)擴(kuò)充操作,并根據(jù)U型卷積神經(jīng)網(wǎng)絡(luò)對(duì)小樣本數(shù)據(jù)的訓(xùn)練非常有效的特點(diǎn),提出使用U型卷積神經(jīng)網(wǎng)絡(luò)完成X光片的肺實(shí)質(zhì)分割工作。實(shí)驗(yàn)結(jié)果表明,該方法的戴斯系數(shù)(Dice)和杰卡德系數(shù)(Jaccard)分別為0.971和0.944,超過了該領(lǐng)域的前沿算法。(3)提出一種改進(jìn)的用于病灶檢測(cè)的Faster R-CNN網(wǎng)絡(luò),解決了肺結(jié)核病灶區(qū)域面積差異過大而導(dǎo)致病灶檢測(cè)效果較差的問題。在Faster R-CNN中加入了特征金字塔結(jié)構(gòu),并在網(wǎng)絡(luò)中引入了特征圖的非線性融合操作。保證網(wǎng)絡(luò)每一層的特征圖都有豐富的語(yǔ)義信息,同時(shí)幾乎沒有損失圖像的細(xì)節(jié)信息。實(shí)驗(yàn)結(jié)果表明,本文提出的方法相較于Faster R-CNN目標(biāo)檢測(cè)網(wǎng)絡(luò)將mAP值提高了62.4%。(4)提出了一種基于肺結(jié)核病灶檢測(cè)結(jié)果的胸部X光片分類算法,通過在TCLD_CXR數(shù)據(jù)集上的實(shí)驗(yàn)驗(yàn)證,該方法相較于第三章提出的基于密集連接卷積網(wǎng)絡(luò)的分類方法,將Acc和AUC分別提高了10.6%和11.6%。本文改進(jìn)了卷積神經(jīng)網(wǎng)絡(luò),實(shí)現(xiàn)了胸部X光片肺結(jié)核的檢測(cè)與分類,在減少醫(yī)生工作量的同時(shí)可為肺結(jié)核的診斷工作提供了很好的建議。
【圖文】：

西北大學(xué)碩士學(xué)位論文痰液診斷。而即使臨床上已經(jīng)證明了利用 CT 進(jìn)行疾病診斷的誤診率和顯低于胸部 X 光片[16][17]，但綜合考慮到成本和我國(guó)國(guó)內(nèi)醫(yī)療水平參差相對(duì)較貴的 CT 掃描設(shè)備在不發(fā)達(dá)/欠發(fā)達(dá)地區(qū)的普及率遠(yuǎn)遠(yuǎn)不夠，所以這些地區(qū)在結(jié)核篩查中仍然還是以價(jià)格低廉且輻射量小的 X 光片圖像文針對(duì) X 光片圖像進(jìn)行肺結(jié)核疾病的分類和病灶檢測(cè)。統(tǒng)的 CADe 系統(tǒng)的處理流程如圖 1，一般包含 5 個(gè)步驟：圖像預(yù)處理、興趣區(qū)域(Region of Interests, ROIs)檢測(cè)、特征提取和診斷分類。它的有工提取的特征以及用于在這些特征之上進(jìn)行檢測(cè)和分類的機(jī)器學(xué)習(xí)算特征的缺點(diǎn)是需要預(yù)先知道哪些特征在檢測(cè)和分類任務(wù)中能夠提供有且通常我們不知道哪些特征對(duì)于特定的醫(yī)學(xué)影像任務(wù)是有效的，因此不義的特征，我們可以使用深度學(xué)習(xí)技術(shù)從數(shù)據(jù)本身學(xué)習(xí)豐富的圖像特征領(lǐng)域的專家，使得我們能夠最佳地使用不斷增長(zhǎng)的數(shù)據(jù)且減少人為產(chǎn)生

西北大學(xué)碩士學(xué)位論文路線文的研究?jī)?nèi)容，有如下研究技術(shù)路線：首先對(duì)胸部 X 光片圖像完，，然后根據(jù)肺實(shí)質(zhì)的分割結(jié)果，分別進(jìn)行肺結(jié)核的分類與病灶檢測(cè)的病灶檢測(cè)結(jié)果，本文又提出一種基于該檢測(cè)結(jié)果的肺結(jié)核分類方之前的分類結(jié)果。本文的具體技術(shù)路線如圖 2 所示。
【學(xué)位授予單位】：西北大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類號(hào)】：R521;R816.4;TP391.41;TP183

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 胡悅;;金融市場(chǎng)中的神經(jīng)網(wǎng)絡(luò)拐點(diǎn)預(yù)測(cè)法[J];金融經(jīng)濟(jì);2017年18期

2 遲惠生;陳珂;;1995年世界神經(jīng)網(wǎng)絡(luò)大會(huì)述評(píng)[J];國(guó)際學(xué)術(shù)動(dòng)態(tài);1996年01期

3 吳立可;;脈沖神經(jīng)網(wǎng)絡(luò)和行為識(shí)別[J];通訊世界;2018年12期

4 林嘉應(yīng);鄭柏倫;劉捷;;基于卷積神經(jīng)網(wǎng)絡(luò)的船舶分類模型[J];信息技術(shù)與信息化;2019年02期

5 俞頌華;;卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展與應(yīng)用綜述[J];信息通信;2019年02期

6 韓真;凱文·哈特尼特;;為神經(jīng)網(wǎng)絡(luò)的通用理論建造基石[J];世界科學(xué);2019年04期

7 鮑偉強(qiáng);陳娟;熊濤;;基于進(jìn)化神經(jīng)網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測(cè)研究[J];電工技術(shù);2019年11期

8 陳曉燕;;淺析簡(jiǎn)單神經(jīng)網(wǎng)絡(luò)的發(fā)展及簡(jiǎn)單模型[J];數(shù)字技術(shù)與應(yīng)用;2019年05期

9 李青華;李翠平;張靜;陳紅;王紹卿;;深度神經(jīng)網(wǎng)絡(luò)壓縮綜述[J];計(jì)算機(jī)科學(xué);2019年09期

10 王麗華;楊秀萍;王皓;高崢翔;;智能雙輪平衡車的設(shè)計(jì)研究[J];數(shù)字技術(shù)與應(yīng)用;2018年04期

相關(guān)會(huì)議論文 前10條

1 孫軍田;張U

本文編號(hào)：2708311