醫(yī)學(xué)圖像分類(lèi)是醫(yī)學(xué)圖像分析中最重要的任務(wù)之一,在實(shí)際應(yīng)用中,通常會(huì)面臨樣本集不平衡的問(wèn)題,即不同類(lèi)別間的樣本數(shù)量存在較大差異,往往表現(xiàn)為陽(yáng)性樣本數(shù)少于陰性樣本數(shù)。并且這種樣本不平衡問(wèn)題在醫(yī)學(xué)領(lǐng)域是天然存在的,因此是醫(yī)學(xué)圖像分析中難以避免的一個(gè)問(wèn)題,也是醫(yī)學(xué)圖像分類(lèi)識(shí)別任務(wù)中的主要挑戰(zhàn)之一。本論文主要針對(duì)醫(yī)學(xué)圖像分類(lèi)中的類(lèi)不平衡問(wèn)題進(jìn)行研究,主要工作內(nèi)容如下:1.研究了使用膠囊網(wǎng)絡(luò)來(lái)進(jìn)行醫(yī)學(xué)不平衡樣本集分類(lèi)的方法,膠囊網(wǎng)絡(luò)可以克服卷積神經(jīng)網(wǎng)絡(luò)對(duì)大量訓(xùn)練數(shù)據(jù)依賴(lài)的缺點(diǎn),并在不平衡數(shù)據(jù)集上表現(xiàn)出了更好的魯棒性。根據(jù)醫(yī)學(xué)圖像數(shù)據(jù)集具有的數(shù)據(jù)不平衡和數(shù)據(jù)有限的兩個(gè)特點(diǎn),膠囊網(wǎng)絡(luò)具有更適用于醫(yī)學(xué)圖像分析任務(wù)的優(yōu)點(diǎn),實(shí)驗(yàn)結(jié)果驗(yàn)證了膠囊網(wǎng)絡(luò)在醫(yī)學(xué)圖像分類(lèi)任務(wù)上的可行性與有效性。2.改進(jìn)了原有膠囊網(wǎng)絡(luò)的損失函數(shù)。為有效解決醫(yī)學(xué)圖像分類(lèi)任務(wù)中的類(lèi)不平衡問(wèn)題,避免數(shù)據(jù)采樣帶來(lái)的過(guò)擬合或者重要數(shù)據(jù)丟失的風(fēng)險(xiǎn),本論文從算法層面出發(fā),引入了類(lèi)平衡損失來(lái)改進(jìn)膠囊網(wǎng)絡(luò)的損失函數(shù),改進(jìn)后的損失函數(shù)根據(jù)每個(gè)類(lèi)的有效樣本數(shù)量來(lái)對(duì)每個(gè)類(lèi)進(jìn)行重新加權(quán),以平衡各個(gè)類(lèi)對(duì)總體損失的貢獻(xiàn)。實(shí)驗(yàn)結(jié)果表明改進(jìn)后的損失函數(shù)能夠有效引導(dǎo)模型在... 

【文章來(lái)源】：電子科技大學(xué)四川省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：82 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 論文研究背景及意義
    1.2 論文相關(guān)研究現(xiàn)狀
        1.2.1 不平衡樣本集的分類(lèi)研究現(xiàn)狀
        1.2.2 基于深度學(xué)習(xí)的醫(yī)學(xué)圖像分類(lèi)研究現(xiàn)狀
    1.3 論文主要的研究?jī)?nèi)容
    1.4 論文章節(jié)安排
第二章 相關(guān)技術(shù)理論
    2.1 引言
    2.2 卷積神經(jīng)網(wǎng)絡(luò)
        2.2.1 網(wǎng)絡(luò)結(jié)構(gòu)
        2.2.2 池化
        2.2.3 不變性和同變性
    2.3 膠囊網(wǎng)絡(luò)
        2.3.1 網(wǎng)絡(luò)結(jié)構(gòu)
        2.3.2 向量神經(jīng)元與標(biāo)量神經(jīng)元
        2.3.3 迭代動(dòng)態(tài)路由算法
    2.4 類(lèi)不平衡問(wèn)題
    2.5 注意力機(jī)制
    2.6 本章小結(jié)
第三章 基于膠囊網(wǎng)絡(luò)的醫(yī)學(xué)圖像分類(lèi)模型
    3.1 引言
    3.2 相關(guān)模型與技術(shù)
    3.3 數(shù)據(jù)集介紹與處理
        3.3.1 ISBI2016 數(shù)據(jù)集
        3.3.2 LIDC-IDRI數(shù)據(jù)集
        3.3.3 兩個(gè)基準(zhǔn)數(shù)據(jù)集
    3.4 醫(yī)學(xué)圖像良惡性分類(lèi)模型訓(xùn)練
        3.4.1 基于CapsNets的分類(lèi)模型
        3.4.2 基于CNN的分類(lèi)模型
    3.5 實(shí)驗(yàn)設(shè)計(jì)與結(jié)果分析
        3.5.1 實(shí)驗(yàn)環(huán)境配置
        3.5.2 實(shí)驗(yàn)評(píng)價(jià)指標(biāo)
        3.5.3 基于訓(xùn)練數(shù)據(jù)集有限的分類(lèi)實(shí)驗(yàn)
        3.5.4 基于不平衡數(shù)據(jù)集的分類(lèi)實(shí)驗(yàn)
        3.5.5 與其他算法對(duì)比
    3.6 本章小結(jié)
第四章 基于膠囊網(wǎng)絡(luò)的分類(lèi)模型改進(jìn)設(shè)計(jì)
    4.1 引言
    4.2 基于類(lèi)平衡的膠囊網(wǎng)絡(luò)損失函數(shù)改進(jìn)設(shè)計(jì)
        4.2.1 類(lèi)平衡損失（Class-Balanced Loss）
        4.2.2 基于類(lèi)平衡的膠囊網(wǎng)絡(luò)損失函數(shù)改進(jìn)設(shè)計(jì)
    4.3 類(lèi)平衡注意力膠囊網(wǎng)絡(luò)（Class-Balanced Attention CapsNet）
        4.3.1 基于自注意力的膠囊網(wǎng)絡(luò)模型改進(jìn)設(shè)計(jì)
        4.3.2 類(lèi)平衡注意力膠囊網(wǎng)絡(luò)模型訓(xùn)練流程
    4.4 實(shí)驗(yàn)設(shè)計(jì)與結(jié)果分析
        4.4.1 基于類(lèi)平衡損失的膠囊網(wǎng)絡(luò)的良惡性分類(lèi)實(shí)驗(yàn)
        4.4.2 基于類(lèi)平衡注意力膠囊網(wǎng)絡(luò)的良惡性分類(lèi)實(shí)驗(yàn)
        4.4.3 與其他算法對(duì)比
    4.5 本章小結(jié)
第五章 基于CBACN分類(lèi)模型的醫(yī)療輔助診斷系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)
    5.1 引言
    5.2 需求分析
        5.2.1 功能需求
        5.2.2 開(kāi)發(fā)和運(yùn)行環(huán)境需求
    5.3 系統(tǒng)設(shè)計(jì)
        5.3.1 架構(gòu)設(shè)計(jì)
        5.3.2 系統(tǒng)病例診斷流程
    5.4 功能模塊實(shí)現(xiàn)
        5.4.1 病例管理模塊
        5.4.2 診斷管理模塊
    5.5 本章小結(jié)
第六章 總結(jié)與展望
    6.1 全文總結(jié)
    6.2 未來(lái)展望
致謝
參考文獻(xiàn)


【參考文獻(xiàn)】：
期刊論文
[1]卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 李彥冬,郝宗波,雷航.  計(jì)算機(jī)應(yīng)用. 2016(09)
[2]不平衡分類(lèi)問(wèn)題研究綜述[J]. 葉志飛,文益民,呂寶糧.  智能系統(tǒng)學(xué)報(bào). 2009(02)



本文編號(hào)：3150494