發(fā)布時間：2020-04-10 12:28

【摘要】：近年來空氣污染程度逐漸嚴重,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)學上通過胸片確診肺炎是一項艱巨的任務,需要有臨床經(jīng)驗的醫(yī)生對胸片進行長時間的閱片觀察,致使醫(yī)療資源匱乏的偏遠地區(qū)肺炎早期確診非常困難。近年來隨著人工智能技術的逐漸成熟,深度學習在目標檢測領域也逐漸發(fā)展起來。利用深度學習目標檢測技術來解決醫(yī)療問題也是目前流行的趨勢�，F(xiàn)有的目標檢測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行訓練。然而對于肺炎圖像的檢測,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法直接在肺炎圖像上使用。針對這個問題,本文設計一種專門使用在肺炎數(shù)據(jù)上的深度學習目標檢測方法。通過分析肺炎胸片數(shù)據(jù)的特點,對肺炎數(shù)據(jù)進行針對性的預處理。研究目前已有的目標檢測算法,在目標檢測的兩個分支單階段目標檢測算法和雙階段目標檢測算法上,分別對肺炎數(shù)據(jù)進行針對性設計,最后對兩類算法進行模型融合得出最后的檢測結果。單階段模型,基于Retinanet的肺炎檢測算法設計如下:第一,調(diào)整預測框尺寸以適應肺炎數(shù)據(jù),保證肺炎數(shù)據(jù)得出有效的檢測結果;第二,對不同骨干網(wǎng)絡進行試驗,更好的提取肺炎特征,并且使用遷移學習的思想進行參數(shù)初始化;第三,在網(wǎng)絡的回歸分支上進行修改,融合多維度的圖像特征,提高肺炎檢測性能;第四,在網(wǎng)絡結構的C5層后增加全局損失函數(shù),用于對全局圖片信息進行提前的分類,更好的提取肺炎特征;第五,使用focal loss損失函數(shù)對檢測樣本進行分類,并調(diào)整內(nèi)部參數(shù)適用肺炎數(shù)據(jù),防止正負樣本不平衡,提高肺炎檢測性能。雙階段模型,基于Mask-RCNN的肺炎檢測算法設計如下:第一,根據(jù)肺炎數(shù)據(jù)集的標注格式在Mask R-CNN上去掉分割的分支;第二,調(diào)整算法第一階段預測框尺寸,保證肺炎數(shù)據(jù)得出有效的檢測結果;第三,對不同骨干網(wǎng)絡進行試驗,更好的提取肺炎特征,并且使用遷移學習的思想進行參數(shù)初始化;第四,提出一種分階段的訓練方式,分階段訓練參數(shù)有助于模型算法精度的提升。最后將基于Mask R-CNN的肺炎檢測算法與基于Retinanet的肺炎檢測模型進行模型融合,使肺炎檢測算法的精度得到提升,完成肺炎檢測。使用以上深度學習目標檢測技術對肺炎胸片圖像進行分類和檢測,有助于對大量的肺炎胸片進行初步的篩選與標記,提高醫(yī)生的工作效率,對醫(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，，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)域的時候個肺炎病人的 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，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)域的時候，個肺炎病人的 x 光肺部圖片如圖 1-2
【學位授予單位】：北京工業(yè)大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：TP391.41;R563.1

【相似文獻】

相關期刊論文 前10條

1 李美玲;;淺談深度學習在目標檢測中的發(fā)展[J];科技風;2017年24期

2 韓興斌;顏坤玉;馮富強;;基于雷達高度表信號的低空目標檢測技術[J];電子信息對抗技術;2015年03期

3 戴曉芳;;一種基于壓縮感知的運動目標檢測技術[J];電腦與電信;2019年05期

4 孫丕波;周利江;;動態(tài)目標檢測技術在智能監(jiān)控中的應用研究[J];制造業(yè)自動化;2011年05期

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

6 張國光;;基于自適應波束形成的水下微弱目標檢測技術[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動目標檢測技術[J];液晶與顯示;2011年06期

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

9 白玉棟;;基于紅外偏振成像的目標檢測技術[J];紅外;2013年03期

10 景曉軍,李劍鋒,張?zhí)K慧,楊義先;圖像智能化的目標檢測技術(Ⅰ)——目標-背景視覺模型[J];北京郵電大學學報;2003年S1期

相關會議論文 前10條

1 楊雪峰;沈旭奎;馬亮;宋炭;陳登生;;應用于高速鐵路的移動目標檢測技術的算法研究[A];第八屆中國智能交通年會優(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目標檢測技術[A];第九屆全國光電技術學術交流會論文集（下冊）[C];2010年

3 王永森;劉宏哲;;3D目標檢測技術的研究進展[A];中國計算機用戶協(xié)會網(wǎng)絡應用分會2019年第二十三屆網(wǎng)絡新技術與應用年會論文集[C];2019年

4 陳堅;李在銘;;場景監(jiān)視中的運動目標檢測技術[A];第十屆全國信號處理學術年會（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匹配的快速目標檢測技術[A];第二屆高分辨率對地觀測學術年會論文集[C];2013年

6 邢相薇;趙俊保;朱莉玨;崔友群;;SAR圖像運動船只目標檢測技術探討[A];第五屆高分辨率對地觀測學術年會論文集[C];2018年

7 王彩云;;目標檢測的研究進展[A];中國計算機用戶協(xié)會網(wǎng)絡應用分會2019年第二十三屆網(wǎng)絡新技術與應用年會論文集[C];2019年

8 盧云龍;劉志剛;;高光譜成像技術及其在目標檢測中的應用進展[A];國家安全地球物理叢書（九）——防災減災與國家安全[C];2013年

9 肖化超;張建華;王鵬;師勇;張超;;基于深度學習的遙感圖像在軌目標檢測技術研究[A];第五屆高分辨率對地觀測學術年會論文集[C];2018年

10 范啟雄;李天河;楊威;;高光譜遙感目標探測研究進展與典型應用[A];國家安全地球物理叢書（八）——遙感地球物理與國家安全[C];2012年

相關重要報紙文章 前1條

1 本報特約記者 夏效生;博弈空天正當時[N];科技日報;2012年

相關博士學位論文 前3條

1 沈志熙;基于視覺導航的智能車輛在城區(qū)復雜場景中的目標檢測技術研究[D];重慶大學;2008年

2 Ahmed Mahgoub Ahmed Talab(塔拉比);基于圖像處理技術的目標識別方法及其在裂紋檢測中的應用[D];武漢理工大學;2015年

3 鮮海瀅;基于圖像時空梯度的運動目標檢測技術研究[D];電子科技大學;2009年

相關碩士學位論文 前10條

1 郝兵;基于深度學習的肺炎檢測方法研究[D];北京工業(yè)大學;2019年

2 曹前;智能交通中的目標檢測技術研究[D];華南理工大學;2019年

3 張振宇;導航雷達目標檢測技術[D];哈爾濱工業(yè)大學;2019年

4 宣東東;基于高層語義的視覺顯著性目標檢測技術的研究[D];安徽工程大學;2019年

5 王鳴一;基于公安求助標識識別的看路系統(tǒng)研究與實現(xiàn)[D];中國礦業(yè)大學;2019年

6 周輝;基于合作靶標的目標檢測方法研究與實現(xiàn)[D];華北電力大學(北京);2017年

7 明鵬;關于運動目標檢測技術的研究[D];山東大學;2013年

8 劉博;基于深度學習的目標檢測技術的研究[D];北京郵電大學;2016年

9 王書朋;基于偏振光譜成像的目標檢測技術[D];長春理工大學;2017年

10 黃鵬;基于運動信息的運動目標檢測技術[D];西安電子科技大學;2012年

本文編號：2622227