【摘要】：隨著醫(yī)學(xué)影像處理和模式識別技術(shù)的不斷發(fā)展,基于數(shù)字圖像處理的宮頸癌細(xì)胞檢測技術(shù)應(yīng)運(yùn)而生。該技術(shù)有望代替?zhèn)鹘y(tǒng)的人工篩查方法,解決人工篩查方法中工作量大、成本高、可靠性與準(zhǔn)確性受醫(yī)師專業(yè)水平和主觀情緒的影響等問題。由于該技術(shù)目前正處于起步階段,檢測的智能化程度和準(zhǔn)確性還不是很高。針對現(xiàn)有的問題,本文在當(dāng)前研究基礎(chǔ)之上,對宮頸癌細(xì)胞檢測進(jìn)行了更深入的研究。首先,本文對宮頸細(xì)胞圖像進(jìn)行自動采集,使用提出的最大多向梯度累加清晰度評價算法和二分步長爬山搜索算法實(shí)現(xiàn)圖像自動聚焦。其次,針對依靠細(xì)胞精確分割以及人工選擇算子進(jìn)行特征提取再分類的傳統(tǒng)分類方法的局限性,本文通過自適應(yīng)閾值算法和形態(tài)學(xué)檢測后,對采集到的細(xì)胞圖像進(jìn)行剪裁,把剪裁后的圖片直接送入改進(jìn)的深度卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練從而完成識別。該模型使用連續(xù)多個較小卷積核的卷積層代替一個較大卷積核的卷積層,既減少了網(wǎng)絡(luò)參數(shù)又增加了網(wǎng)絡(luò)的非線性,同時在網(wǎng)絡(luò)模型中加入批標(biāo)準(zhǔn)化、Dropout等優(yōu)化方法。針對現(xiàn)有數(shù)據(jù)集樣本數(shù)量不足導(dǎo)致網(wǎng)絡(luò)模型不能有效學(xué)習(xí)的問題,本文提出了一種小樣本數(shù)據(jù)增強(qiáng)的方法。為了進(jìn)一步提升網(wǎng)絡(luò)的分類能力,本文對網(wǎng)絡(luò)模型進(jìn)行改進(jìn),提出了一種改進(jìn)的多尺度特征融合的卷積神經(jīng)網(wǎng)絡(luò)模型,該模型融合了不同大小卷積核卷積層的特征圖,在保證網(wǎng)絡(luò)深度的同時平衡了網(wǎng)絡(luò)的寬度。實(shí)驗(yàn)結(jié)果表明,本文提出的圖像清晰度算法效果優(yōu)于其他傳統(tǒng)算法,改進(jìn)后的爬山搜索算法可以有效減少聚焦點(diǎn)的搜索時間,提出的基于小樣本數(shù)據(jù)增強(qiáng)的多尺度特征融合卷積神經(jīng)網(wǎng)絡(luò)模型分類準(zhǔn)確率高,并具有較好的敏感性與特異性。
【圖文】：

(a) tanh 激活函數(shù) (b) Sigmoid 激活函數(shù) (c) ReLU 激活函數(shù)圖 2-6 各激活函數(shù)圖像示意圖Figure.2-6 Schematic diagram of each activation function imageReLU 函數(shù)保留了 step 函數(shù)的生物學(xué)啟發(fā)(只有輸入超出閾值時神經(jīng)元才激活)，不過當(dāng)輸入為正的時候?qū)?shù)不為零，從而允許基于梯度的學(xué)習(xí)(盡管在x=0 的時候，導(dǎo)數(shù)是未定義的)。相比 Sigmoid 激活函數(shù)和 tanh 激活函數(shù)，使用ReLU 激活函數(shù)能使計(jì)算變得很快，因?yàn)闊o論是函數(shù)還是其導(dǎo)數(shù)都不包含復(fù)雜的數(shù)學(xué)運(yùn)算。2.2.3 卷積神經(jīng)網(wǎng)絡(luò)優(yōu)化方法1. 批標(biāo)準(zhǔn)化批標(biāo)準(zhǔn)化(Batch Normalization，BN)是一種解決深度神經(jīng)網(wǎng)絡(luò)沒辦法有效前向傳遞的方法。為了更有效地學(xué)習(xí)數(shù)據(jù)，對數(shù)據(jù)進(jìn)行特征標(biāo)準(zhǔn)化預(yù)處理。BN 把每層輸出的值都看成后面一層所接收的數(shù)據(jù)，對每層都進(jìn)行一次批標(biāo)準(zhǔn)化。沒有標(biāo)準(zhǔn)化的數(shù)據(jù)使用 tanh 激活以后，激活值大部分都分布到了飽和階段，也就是大部分的激活值不是-1 就是 1，而批標(biāo)準(zhǔn)化后，大部分的激活值在每個

( ),ii iy x BN xγ β← γ + β≡ 示一個 batch 中的第 i 個數(shù)據(jù)，βμ 表示 batch 中的均值，，2βσ ， ix 表示經(jīng)過標(biāo)準(zhǔn)化后的數(shù)據(jù)，iy 表示反標(biāo)準(zhǔn)化后的輸出展參數(shù)和平移參數(shù)。Dropout神經(jīng)網(wǎng)絡(luò)在訓(xùn)練時可能會出現(xiàn)過擬合問題，即網(wǎng)絡(luò)對于訓(xùn)練，但對于測試集效果卻很差。為了應(yīng)對過擬合問題，Hintonropout 的概念。其核心就是在深度神經(jīng)網(wǎng)絡(luò)的訓(xùn)練中，將神定的概率做暫時性的剔除。如圖 2-7 所示，該網(wǎng)絡(luò)具有 n 個pout 之后可看做是2n個網(wǎng)絡(luò)模型的集合，但此時需要訓(xùn)練的變化。
【學(xué)位授予單位】：哈爾濱理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：R737.33;TP391.41;TP183

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

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

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

3 遲惠生;陳珂;;1995年世界神經(jīng)網(wǎng)絡(luò)大會述評[J];國際學(xué)術(shù)動態(tài);1996年01期

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

5 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

6 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

7 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

8 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)測研究[J];電工技術(shù);2019年11期

9 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

10 張庭略;;基于硬件的神經(jīng)網(wǎng)絡(luò)加速[J];通訊世界;2018年08期

相關(guān)會議論文 前10條

1 孫軍田;張U

本文編號：2639793