發(fā)布時間：2021-07-03 17:02

　　近年來,采用計算機輔助診斷技術對醫(yī)學相關圖像進行分析和處理已得到越來越多的應用,尤其是對皮膚疾病相關醫(yī)學圖像的輔助診斷。皮膚疾病的診斷過程復雜,并且準確的診斷需要醫(yī)生多年的經(jīng)驗積累,因此更加準確有效的圖像輔助診斷方法對于皮膚病的及時診治有很大幫助。傳統(tǒng)的皮膚疾病輔助診斷技術需要人工設計提取特征,依靠這些特征進行診斷往往很難達到確診要求,采用深度卷積神經(jīng)網(wǎng)絡的方式則可以減少人工干預,讓識別模型自主學習特征,提高識別準確率。本文旨在研究基于深度學習的皮膚疾病圖像分類和預測方法,并在所選數(shù)據(jù)集上對分類模型作一定程度的優(yōu)化,提高模型對皮膚疾病的分類能力。主要工作概括如下:第一章主要分析介紹了采用深度學習的方式輔助診斷皮膚疾病的背景和意義,并在章節(jié)最后給出了本論文的主要內(nèi)容以及結構安排。第二章分析了采用深度學習來識別皮膚疾病圖像的框架,并建立了兩個皮膚疾病數(shù)據(jù)集,分別是皮膚鏡圖像數(shù)據(jù)集和臨床圖像數(shù)據(jù)集,介紹了對應的預處理方法,包括圖像去噪和圖像增強兩種方式。第三章主要分析了卷積神經(jīng)網(wǎng)絡的基本結構以及相關訓練基礎,并選定了相關的深度學習框架,最后在皮膚鏡圖像數(shù)據(jù)集上對比了不同卷積神經(jīng)網(wǎng)絡模型的識別... 

【文章來源】：浙江大學浙江省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：82 頁

【學位級別】：碩士

【部分圖文】：

圖１．１皮膚疾病樣例??如圖Ｍ所示為４種皮膚疾病的樣例，從圖中可以看出，僅憑肉眼很難去辨別，為了??

相比于傳統(tǒng)的輔助檢測手段，深度學習則能自動學習圖像的典型特征，減少了手工設??計特征所帶來的巨大工作量，近年來已逐漸替代傳統(tǒng)方法，越來越多的被用于圖像領域。??如圖１．２為深度學習其中一種方法目標檢測的樣例，目標檢測可以自動檢測出圖像中的人??或者物并給出相應概率。??ｐｅｒｓｏｎ?０?９９２??ｇｌｐｊｇ??圖１．２目標檢測祥例??所謂深度學習是相對于淺層學習模型而言，淺層學習模型如支持向量機、最大熵方法??等，這些模型的結構并不是多層結構，往往只有單層或者雙層結構，因此被稱為淺層模型。??而深度學習則是包含多個隱藏層，隱藏層與隱藏層之間通過非線性結構連接，因此可以表??示更加復雜的函數(shù)，學習到更加多樣化的圖像特征，其相比于淺層學習模型而言更能從數(shù)??據(jù)樣本集中學習到數(shù)據(jù)的本質特征。??基于以上理論，采用深度學習輔助識別皮膚疾病在理論研究與實際應用方面都具有廣??闊前景和深遠意義。??１．２國內(nèi)外研究現(xiàn)狀??１．２．１深度學習在醫(yī)學圖像領域的研究現(xiàn)狀??深度學習最早起源于感知機／?２０世紀５０年代，Ｆｒａｎｋ?Ｒｏｓｅｎｂｌａｔｔ提出感知機模型??感知機是具有單層計算網(wǎng)絡的模型，對線性問題具有分類能力，但是無法解決非線性問題。??而多層感知機雖然通過增加隱藏層可以解決復雜的分類問題

圖１．３訓練布局??


本文編號：3262991