甲狀腺乳頭狀癌是甲狀腺癌中占比最大的類別,并且任何年齡均存在發(fā)病的可能,近幾年以來(lái)中國(guó)患病的人數(shù)逐年增加,于是提高甲狀腺乳頭狀癌診斷的精確度顯得尤其重要。就目前而言醫(yī)學(xué)影像已經(jīng)是甲狀腺癌醫(yī)學(xué)檢查診斷的一個(gè)非常重要的技術(shù)手段,可以在兩方面協(xié)助醫(yī)師診斷疾病:一是借助醫(yī)學(xué)設(shè)備獲得醫(yī)學(xué)影像,直接理解判斷;二是通過(guò)其他專業(yè)的醫(yī)師解讀醫(yī)學(xué)影像,檢查是否存在異常,若存在異常的話,需要對(duì)病灶的位置、大小、鈣化程度進(jìn)行量化、最后確定病癥的分類和等級(jí)。診斷甲狀腺乳頭狀癌的超聲圖像存在清晰度差、分辨率低等現(xiàn)象,再由甲狀腺周圍的組織結(jié)構(gòu)復(fù)雜,干擾的因數(shù)較多等原因,所以甲狀腺癌超聲圖像的病灶特征分類有較大難度。隨著近幾年人工智能技術(shù)的發(fā)展,深度學(xué)習(xí)技術(shù)中的卷積神經(jīng)網(wǎng)絡(luò)已經(jīng)應(yīng)用于醫(yī)學(xué)影像當(dāng)中。但是基于卷積神經(jīng)網(wǎng)絡(luò)的模型識(shí)別醫(yī)學(xué)影像的精度普遍不高。除了醫(yī)學(xué)圖像本身難以識(shí)別的因數(shù)以外,還有模型自身結(jié)構(gòu)缺陷,容易產(chǎn)生過(guò)擬合或者欠擬合,導(dǎo)致學(xué)習(xí)能力不足�，F(xiàn)有的數(shù)據(jù)集不足,使得利用深度學(xué)習(xí)技術(shù)識(shí)別甲狀腺乳頭狀癌癥的精度也不高,數(shù)據(jù)量不足也是阻礙人工智能技術(shù)在醫(yī)學(xué)影像領(lǐng)域的發(fā)展。本文利用深度學(xué)習(xí)技術(shù)中的膠囊網(wǎng)絡(luò)作為基礎(chǔ)網(wǎng)絡(luò)解... 

【文章來(lái)源】：廣東工業(yè)大學(xué)廣東省

【文章頁(yè)數(shù)】：68 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

甲狀腺乳頭狀癌超聲圖像

第一章緒論3效果會(huì)變得更加糟糕，由此得出它們的通用性不強(qiáng)。圖1-1甲狀腺乳頭狀癌超聲圖像Fig.1-1Ultrasoundimageofpapillarythyroidcarcinoma圖1-2甲狀腺乳頭狀癌的特征從左到右依次表示形狀不規(guī)則、回聲不均勻、邊界不清晰、鈣化和正常Fig.1-2Thecharacteristicsofpapillarythyroidcarcinomaare,fromlefttoright,irregularshapes,unclearborders,unevenecho,calcification,andnormal1.2國(guó)內(nèi)外研究現(xiàn)狀近幾年來(lái)，深度學(xué)習(xí)主要以卷積神經(jīng)網(wǎng)絡(luò)[15]（ConvolutionalNeuralNetworks，CNN）為基礎(chǔ)網(wǎng)絡(luò)解決醫(yī)學(xué)影像方面的問(wèn)題，其中CNN有許多認(rèn)同的原因主要是其路由數(shù)據(jù)的過(guò)程。路由是將信息從一層中繼到另一層的過(guò)程，而CNN執(zhí)行路由是通過(guò)最大池化或者平均池化等操作實(shí)現(xiàn)。這些操作會(huì)丟棄對(duì)象的位置和姿勢(shì)之類的信息，這對(duì)于分類任務(wù)而言可能會(huì)有較好的效果，最終完成醫(yī)療圖像的分類任務(wù)。Saman等使用卷積神經(jīng)網(wǎng)絡(luò)來(lái)區(qū)分老年癡呆癥患者的大腦和正常健康的大腦；利用著名的LeNet-5網(wǎng)絡(luò)模型成功地將阿爾茨海默病患者的功能磁共振數(shù)據(jù)（functionalMagneticResonance，fMRI）從正常對(duì)照組中進(jìn)行分類，檢測(cè)數(shù)據(jù)的準(zhǔn)確率達(dá)到96.85%[16]。柯威等提出了改進(jìn)的FasterRCNN方法針對(duì)檢測(cè)的速度和分類的精度都進(jìn)行了效率的提升，其方法通過(guò)先對(duì)卷積的第四層和第五層采取L2正則化處理，再將其兩層連接實(shí)現(xiàn)信息共享，最后用多尺度的輸入圖像，達(dá)到提高網(wǎng)絡(luò)模型識(shí)別

廣東工業(yè)大學(xué)碩士學(xué)位論文263.5.2參數(shù)設(shè)定與實(shí)驗(yàn)結(jié)果分析實(shí)驗(yàn)結(jié)果圖3-6中橫軸表示的是訓(xùn)練的步數(shù)，縱軸表示的是模型訓(xùn)練時(shí)的準(zhǔn)確率。甲狀腺乳頭狀癌超聲圖像數(shù)據(jù)集中各個(gè)網(wǎng)絡(luò)模型動(dòng)態(tài)路由次數(shù)設(shè)置為3次，各網(wǎng)絡(luò)模型批次為24張順序隨機(jī)的輸入圖像，最終迭代次數(shù)為200次。圖3-6表示的是ResCaps1網(wǎng)絡(luò)與原CapsNet網(wǎng)絡(luò)模型在甲狀腺乳頭狀癌數(shù)據(jù)集訓(xùn)練過(guò)程中的準(zhǔn)確率，由圖分析可得ResCaps1網(wǎng)絡(luò)能夠更快的達(dá)到收斂效果，并且其訓(xùn)練達(dá)到穩(wěn)定的時(shí)間要比CapsNet網(wǎng)絡(luò)更快。雖然ResCaps1網(wǎng)絡(luò)在參數(shù)上比CapsNet網(wǎng)絡(luò)要多，但是ResCaps網(wǎng)絡(luò)的性能要比CapNet網(wǎng)絡(luò)更加優(yōu)異。圖3-6CapsNet與ResCaps1網(wǎng)絡(luò)模型訓(xùn)練的準(zhǔn)確率Fig.3-6CapsNetandResCaps1networkmodeltrainingaccuracy圖3-7表示的是ResCaps2網(wǎng)絡(luò)與CapsNet網(wǎng)絡(luò)在甲狀腺乳頭狀癌數(shù)據(jù)集訓(xùn)練過(guò)程中的準(zhǔn)確率變化曲線。由圖可知ResCaps2也有著更快達(dá)到訓(xùn)練收斂的時(shí)間，并且最終的穩(wěn)定效果也比CapsNet網(wǎng)絡(luò)要優(yōu)。

【參考文獻(xiàn)】：
期刊論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分類算法綜述[J]. 楊真真,匡楠,范露,康彬.  信號(hào)處理. 2018(12)
[2]基于膠囊網(wǎng)絡(luò)的指靜脈識(shí)別研究[J]. 余成波,熊遞恩.  電子技術(shù)應(yīng)用. 2018(10)
[3]基于全局運(yùn)動(dòng)特征的地鐵乘客異常行為檢測(cè)[J]. 朱小鋒.  通信電源技術(shù). 2017(06)
[4]甲狀腺乳頭狀癌的臨床病理學(xué)回顧性分析[J]. 呂勝濤.  中國(guó)農(nóng)村衛(wèi)生. 2017(14)
[5]生成式對(duì)抗網(wǎng)絡(luò)GAN的研究進(jìn)展與展望[J]. 王坤峰,茍超,段艷杰,林懿倫,鄭心湖,王飛躍.  自動(dòng)化學(xué)報(bào). 2017(03)
[6]基于手語(yǔ)視覺(jué)單詞特征的手語(yǔ)字母識(shí)別研究[J]. 楊全,彭進(jìn)業(yè).  計(jì)算機(jī)工程. 2014(04)
[7]超聲造影在甲狀腺乳頭狀癌中的診斷價(jià)值[J]. 周琦,姜玨,杜曉鵬,宋廠義.  中國(guó)超聲醫(yī)學(xué)雜志. 2011 (07)
[8]甲狀腺乳頭狀癌的治療研究進(jìn)展[J]. 韋興中,梁中驍.  中國(guó)臨床新醫(yī)學(xué). 2010(11)
[9]基于雙線性插值的圖像縮放算法的研究與實(shí)現(xiàn)[J]. 王森,楊克儉.  自動(dòng)化技術(shù)與應(yīng)用. 2008(07)
[10]最小一乘線性回歸模型研究[J]. 謝開(kāi)貴,宋乾坤,周家啟.  系統(tǒng)仿真學(xué)報(bào). 2002(02)

碩士論文
[1]基于深度卷積神經(jīng)網(wǎng)絡(luò)的甲狀腺乳頭狀癌超聲圖像識(shí)別的研究[D]. 柯威.廣東工業(yè)大學(xué) 2018
[2]靜態(tài)圖像中感興趣區(qū)域檢測(cè)方法研究[D]. 王萌.天津工業(yè)大學(xué) 2018
[3]移動(dòng)增強(qiáng)現(xiàn)實(shí)技術(shù)研究[D]. 馮鑫淼.西南科技大學(xué) 2016



本文編號(hào)：3522447