【摘要】：近年來(lái)空氣污染程度逐漸嚴(yán)重,致使呼吸系統(tǒng)的常見病——肺炎,發(fā)病率增高。兒童是肺炎疾病的高發(fā)人群,2015年全世界有920000名兒童死于該病。肺炎的早期確診有助于降低死亡率,但是在醫(yī)學(xué)上通過(guò)胸片確診肺炎是一項(xiàng)艱巨的任務(wù),需要有臨床經(jīng)驗(yàn)的醫(yī)生對(duì)胸片進(jìn)行長(zhǎng)時(shí)間的閱片觀察,致使醫(yī)療資源匱乏的偏遠(yuǎn)地區(qū)肺炎早期確診非常困難。近年來(lái)隨著人工智能技術(shù)的逐漸成熟,深度學(xué)習(xí)在目標(biāo)檢測(cè)領(lǐng)域也逐漸發(fā)展起來(lái)。利用深度學(xué)習(xí)目標(biāo)檢測(cè)技術(shù)來(lái)解決醫(yī)療問(wèn)題也是目前流行的趨勢(shì)�，F(xiàn)有的目標(biāo)檢測(cè)模型是基于自然圖像數(shù)據(jù)集提出的,它可以使用大量的自然圖像樣本進(jìn)行訓(xùn)練。然而對(duì)于肺炎圖像的檢測(cè),數(shù)據(jù)樣本明顯不如自然圖像樣本豐富,并且醫(yī)療圖像與自然圖像截然不同,所以自然圖像上的算法無(wú)法直接在肺炎圖像上使用。針對(duì)這個(gè)問(wèn)題,本文設(shè)計(jì)一種專門使用在肺炎數(shù)據(jù)上的深度學(xué)習(xí)目標(biāo)檢測(cè)方法。通過(guò)分析肺炎胸片數(shù)據(jù)的特點(diǎn),對(duì)肺炎數(shù)據(jù)進(jìn)行針對(duì)性的預(yù)處理。研究目前已有的目標(biāo)檢測(cè)算法,在目標(biāo)檢測(cè)的兩個(gè)分支單階段目標(biāo)檢測(cè)算法和雙階段目標(biāo)檢測(cè)算法上,分別對(duì)肺炎數(shù)據(jù)進(jìn)行針對(duì)性設(shè)計(jì),最后對(duì)兩類算法進(jìn)行模型融合得出最后的檢測(cè)結(jié)果。單階段模型,基于Retinanet的肺炎檢測(cè)算法設(shè)計(jì)如下:第一,調(diào)整預(yù)測(cè)框尺寸以適應(yīng)肺炎數(shù)據(jù),保證肺炎數(shù)據(jù)得出有效的檢測(cè)結(jié)果;第二,對(duì)不同骨干網(wǎng)絡(luò)進(jìn)行試驗(yàn),更好的提取肺炎特征,并且使用遷移學(xué)習(xí)的思想進(jìn)行參數(shù)初始化;第三,在網(wǎng)絡(luò)的回歸分支上進(jìn)行修改,融合多維度的圖像特征,提高肺炎檢測(cè)性能;第四,在網(wǎng)絡(luò)結(jié)構(gòu)的C5層后增加全局損失函數(shù),用于對(duì)全局圖片信息進(jìn)行提前的分類,更好的提取肺炎特征;第五,使用focal loss損失函數(shù)對(duì)檢測(cè)樣本進(jìn)行分類,并調(diào)整內(nèi)部參數(shù)適用肺炎數(shù)據(jù),防止正負(fù)樣本不平衡,提高肺炎檢測(cè)性能。雙階段模型,基于Mask-RCNN的肺炎檢測(cè)算法設(shè)計(jì)如下:第一,根據(jù)肺炎數(shù)據(jù)集的標(biāo)注格式在Mask R-CNN上去掉分割的分支;第二,調(diào)整算法第一階段預(yù)測(cè)框尺寸,保證肺炎數(shù)據(jù)得出有效的檢測(cè)結(jié)果;第三,對(duì)不同骨干網(wǎng)絡(luò)進(jìn)行試驗(yàn),更好的提取肺炎特征,并且使用遷移學(xué)習(xí)的思想進(jìn)行參數(shù)初始化;第四,提出一種分階段的訓(xùn)練方式,分階段訓(xùn)練參數(shù)有助于模型算法精度的提升。最后將基于Mask R-CNN的肺炎檢測(cè)算法與基于Retinanet的肺炎檢測(cè)模型進(jìn)行模型融合,使肺炎檢測(cè)算法的精度得到提升,完成肺炎檢測(cè)。使用以上深度學(xué)習(xí)目標(biāo)檢測(cè)技術(shù)對(duì)肺炎胸片圖像進(jìn)行分類和檢測(cè),有助于對(duì)大量的肺炎胸片進(jìn)行初步的篩選與標(biāo)記,提高醫(yī)生的工作效率,對(duì)醫(yī)療資源匱乏地區(qū)提供醫(yī)療的幫助。
【圖文】：

圖 1-1 正常胸片圖像Figure 1-1 Normal chest image時(shí)，，可以看到肺部具有成片的渾濁區(qū)該是黑色。出現(xiàn)這些灰色區(qū)域的時(shí)候個(gè)肺炎病人的 x 光肺部圖片如圖 1-2圖 1-2 肺炎胸片圖像

圖 1-1 正常胸片圖像Figure 1-1 Normal chest image時(shí)，可以看到肺部具有成片的渾濁區(qū)域該是黑色。出現(xiàn)這些灰色區(qū)域的時(shí)候，個(gè)肺炎病人的 x 光肺部圖片如圖 1-2
【學(xué)位授予單位】：北京工業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類號(hào)】：TP391.41;R563.1

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 李美玲;;淺談深度學(xué)習(xí)在目標(biāo)檢測(cè)中的發(fā)展[J];科技風(fēng);2017年24期

2 韓興斌;顏坤玉;馮富強(qiáng);;基于雷達(dá)高度表信號(hào)的低空目標(biāo)檢測(cè)技術(shù)[J];電子信息對(duì)抗技術(shù);2015年03期

3 戴曉芳;;一種基于壓縮感知的運(yùn)動(dòng)目標(biāo)檢測(cè)技術(shù)[J];電腦與電信;2019年05期

4 孫丕波;周利江;;動(dòng)態(tài)目標(biāo)檢測(cè)技術(shù)在智能監(jiān)控中的應(yīng)用研究[J];制造業(yè)自動(dòng)化;2011年05期

5 傅志中,李在銘;相控紅外末制導(dǎo)高速目標(biāo)檢測(cè)技術(shù)[J];系統(tǒng)工程與電子技術(shù);2002年02期

6 張國(guó)光;;基于自適應(yīng)波束形成的水下微弱目標(biāo)檢測(cè)技術(shù)[J];艦船電子工程;2017年03期

7 劉翔;周楨;;基于分塊背景建模的運(yùn)動(dòng)目標(biāo)檢測(cè)技術(shù)[J];液晶與顯示;2011年06期

8 景曉軍,李劍鋒,張?zhí)K慧,楊義先;圖像智能化的目標(biāo)檢測(cè)技術(shù)(Ⅲ)——優(yōu)化聚類與特征提取[J];北京郵電大學(xué)學(xué)報(bào);2003年S1期

9 白玉棟;;基于紅外偏振成像的目標(biāo)檢測(cè)技術(shù)[J];紅外;2013年03期

10 景曉軍,李劍鋒,張?zhí)K慧,楊義先;圖像智能化的目標(biāo)檢測(cè)技術(shù)(Ⅰ)——目標(biāo)-背景視覺(jué)模型[J];北京郵電大學(xué)學(xué)報(bào);2003年S1期

相關(guān)會(huì)議論文 前10條

1 楊雪峰;沈旭奎;馬亮;宋炭;陳登生;;應(yīng)用于高速鐵路的移動(dòng)目標(biāo)檢測(cè)技術(shù)的算法研究[A];第八屆中國(guó)智能交通年會(huì)優(yōu)秀論文集——軌道交通[C];2013年

2 魯新平;烏恩;張焱;李吉成;楊衛(wèi)平;;基于背景差分的弱信號(hào)目標(biāo)檢測(cè)技術(shù)[A];第九屆全國(guó)光電技術(shù)學(xué)術(shù)交流會(huì)論文集（下冊(cè)）[C];2010年

3 王永森;劉宏哲;;3D目標(biāo)檢測(cè)技術(shù)的研究進(jìn)展[A];中國(guó)計(jì)算機(jī)用戶協(xié)會(huì)網(wǎng)絡(luò)應(yīng)用分會(huì)2019年第二十三屆網(wǎng)絡(luò)新技術(shù)與應(yīng)用年會(huì)論文集[C];2019年

4 陳堅(jiān);李在銘;;場(chǎng)景監(jiān)視中的運(yùn)動(dòng)目標(biāo)檢測(cè)技術(shù)[A];第十屆全國(guó)信號(hào)處理學(xué)術(shù)年會(huì)（CCSP-2001）論文集[C];2001年

5 孫漢昌;武毅;高峰;邱少華;;基于分形理論和相關(guān)匹配的快速目標(biāo)檢測(cè)技術(shù)[A];第二屆高分辨率對(duì)地觀測(cè)學(xué)術(shù)年會(huì)論文集[C];2013年

6 邢相薇;趙俊保;朱莉玨;崔友群;;SAR圖像運(yùn)動(dòng)船只目標(biāo)檢測(cè)技術(shù)探討[A];第五屆高分辨率對(duì)地觀測(cè)學(xué)術(shù)年會(huì)論文集[C];2018年

7 王彩云;;目標(biāo)檢測(cè)的研究進(jìn)展[A];中國(guó)計(jì)算機(jī)用戶協(xié)會(huì)網(wǎng)絡(luò)應(yīng)用分會(huì)2019年第二十三屆網(wǎng)絡(luò)新技術(shù)與應(yīng)用年會(huì)論文集[C];2019年

8 盧云龍;劉志剛;;高光譜成像技術(shù)及其在目標(biāo)檢測(cè)中的應(yīng)用進(jìn)展[A];國(guó)家安全地球物理叢書（九）——防災(zāi)減災(zāi)與國(guó)家安全[C];2013年

9 肖化超;張建華;王鵬;師勇;張超;;基于深度學(xué)習(xí)的遙感圖像在軌目標(biāo)檢測(cè)技術(shù)研究[A];第五屆高分辨率對(duì)地觀測(cè)學(xué)術(shù)年會(huì)論文集[C];2018年

10 范啟雄;李天河;楊威;;高光譜遙感目標(biāo)探測(cè)研究進(jìn)展與典型應(yīng)用[A];國(guó)家安全地球物理叢書（八）——遙感地球物理與國(guó)家安全[C];2012年

相關(guān)重要報(bào)紙文章 前1條

1 本報(bào)特約記者 夏效生;博弈空天正當(dāng)時(shí)[N];科技日?qǐng)?bào);2012年

相關(guān)博士學(xué)位論文 前3條

1 沈志熙;基于視覺(jué)導(dǎo)航的智能車輛在城區(qū)復(fù)雜場(chǎng)景中的目標(biāo)檢測(cè)技術(shù)研究[D];重慶大學(xué);2008年

2 Ahmed Mahgoub Ahmed Talab(塔拉比);基于圖像處理技術(shù)的目標(biāo)識(shí)別方法及其在裂紋檢測(cè)中的應(yīng)用[D];武漢理工大學(xué);2015年

3 鮮海瀅;基于圖像時(shí)空梯度的運(yùn)動(dòng)目標(biāo)檢測(cè)技術(shù)研究[D];電子科技大學(xué);2009年

相關(guān)碩士學(xué)位論文 前10條

1 郝兵;基于深度學(xué)習(xí)的肺炎檢測(cè)方法研究[D];北京工業(yè)大學(xué);2019年

2 曹前;智能交通中的目標(biāo)檢測(cè)技術(shù)研究[D];華南理工大學(xué);2019年

3 張振宇;導(dǎo)航雷達(dá)目標(biāo)檢測(cè)技術(shù)[D];哈爾濱工業(yè)大學(xué);2019年

4 宣東東;基于高層語(yǔ)義的視覺(jué)顯著性目標(biāo)檢測(cè)技術(shù)的研究[D];安徽工程大學(xué);2019年

5 王鳴一;基于公安求助標(biāo)識(shí)識(shí)別的看路系統(tǒng)研究與實(shí)現(xiàn)[D];中國(guó)礦業(yè)大學(xué);2019年

6 周輝;基于合作靶標(biāo)的目標(biāo)檢測(cè)方法研究與實(shí)現(xiàn)[D];華北電力大學(xué)(北京);2017年

7 明鵬;關(guān)于運(yùn)動(dòng)目標(biāo)檢測(cè)技術(shù)的研究[D];山東大學(xué);2013年

8 劉博;基于深度學(xué)習(xí)的目標(biāo)檢測(cè)技術(shù)的研究[D];北京郵電大學(xué);2016年

9 王書朋;基于偏振光譜成像的目標(biāo)檢測(cè)技術(shù)[D];長(zhǎng)春理工大學(xué);2017年

10 黃鵬;基于運(yùn)動(dòng)信息的運(yùn)動(dòng)目標(biāo)檢測(cè)技術(shù)[D];西安電子科技大學(xué);2012年

本文編號(hào)：2622227