在醫(yī)學(xué)圖像中,組織切片圖像中密集分布的微血管是判別腫瘤生長和惡性程度的重要特征。針對微血管醫(yī)學(xué)圖像分類任務(wù)的分類算法對醫(yī)療診斷有著重要的輔助作用。同時(shí),皮膚癌作為全球最常見的癌癥,通常是通過皮膚表層的色素和紋理來診斷皮膚病變類型。但是,由于皮膚病理類型的種類多,且病理特征較為復(fù)雜,往往需要經(jīng)過專業(yè)培訓(xùn)的醫(yī)學(xué)工作者才能完成診斷工作。因此,有效的自動(dòng)化皮膚病理檢測算法可以在很大程度上緩解皮膚病變診斷中所需的人力資源。然而,利用深度神經(jīng)網(wǎng)絡(luò)處理圖像分類任務(wù)往往需要大量樣本參與訓(xùn)練。但在醫(yī)學(xué)領(lǐng)域中,很難滿足深度學(xué)習(xí)所需的大量數(shù)據(jù)。同時(shí),基于大規(guī)模數(shù)據(jù)的深度學(xué)習(xí)網(wǎng)絡(luò)模型泛化性弱,很難在短時(shí)間內(nèi)適應(yīng)新的分類任務(wù)。因此,本文提出以元學(xué)習(xí)框架為基礎(chǔ)對醫(yī)學(xué)圖像分類問題展開分析,主要研究內(nèi)容為以下三個(gè)方面:1.研究和分析了醫(yī)學(xué)圖像的預(yù)處理方法。本文根據(jù)微血管圖像對于顏色特征的敏感性,采用基于單對抗神經(jīng)元（Single Opponent,SO）的特征提取算法對其進(jìn)行圖像的預(yù)處理。針對皮膚病理圖像的照度異常問題對病理區(qū)域特征產(chǎn)生的消極影響,本文采用自適應(yīng)環(huán)繞調(diào)制（Adaptive Surround Modul... 

【文章頁數(shù)】：79 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究工作的背景與意義
        1.1.1 研究背景
        1.1.2 研究意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 醫(yī)學(xué)圖像分類的研究現(xiàn)狀
        1.2.2 元學(xué)習(xí)算法的研究現(xiàn)狀
    1.3 論文的研究目標(biāo)和研究內(nèi)容
    1.4 論文的結(jié)構(gòu)安排
第二章 醫(yī)學(xué)圖像分類的相關(guān)技術(shù)簡介
    2.1 元學(xué)習(xí)算法
        2.1.1 基于初始化權(quán)重的元學(xué)習(xí)算法
        2.1.2 基于通用特征學(xué)習(xí)的元學(xué)習(xí)算法
    2.2 卷積神經(jīng)網(wǎng)絡(luò)
        2.2.1 卷積神經(jīng)網(wǎng)絡(luò)特點(diǎn)
        2.2.2 卷積神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)
        2.2.3 卷積神經(jīng)網(wǎng)絡(luò)模型
    2.3 相關(guān)濾波算法
    2.4 本章小結(jié)
第三章 醫(yī)學(xué)圖像的預(yù)處理算法
    3.1 基于單對抗神經(jīng)元模型的微血管特征預(yù)處理
    3.2 基于色彩恒常算法的皮膚病理圖像的預(yù)處理
    3.3 非均衡醫(yī)學(xué)圖像樣本的預(yù)處理
        3.3.1 基本圖像處理技術(shù)的數(shù)據(jù)增強(qiáng)
        3.3.2 基于CGAN的醫(yī)學(xué)圖像生成算法
        3.3.3 基于最大熵的樣本均衡化算法
    3.4 本章小結(jié)
第四章 基于MAML優(yōu)化的醫(yī)學(xué)圖像分類算法
    4.1 基于MAML的醫(yī)學(xué)圖像分類算法
    4.2 基于相關(guān)濾波投票的元學(xué)習(xí)算法
        4.2.1 多批次投票機(jī)制
        4.2.2 基于相關(guān)濾波的元學(xué)習(xí)算法
    4.3 MAML網(wǎng)絡(luò)模型
        4.3.1 MAML網(wǎng)絡(luò)模型的特點(diǎn)
        4.3.2 MAML網(wǎng)絡(luò)模型的改進(jìn)
    4.4 本章小結(jié)
第五章 基于LSTM優(yōu)化元學(xué)習(xí)的醫(yī)學(xué)圖像分類算法
    5.1 雙對抗神經(jīng)元模型
        5.1.1 Gabor濾波器
        5.1.2 基于雙對抗神經(jīng)元模型的微血管圖像特征處理
    5.2 基于LSTM的元學(xué)習(xí)算法
        5.2.1 基于LSTM的模型
        5.2.2 基于LSTM優(yōu)化元學(xué)習(xí)的算法
        5.2.3 基于LSTM優(yōu)化元學(xué)習(xí)的DO通道圖像分類算法
    5.3 本章小結(jié)
第六章 實(shí)驗(yàn)部分
    6.1 數(shù)據(jù)集介紹
    6.2 實(shí)驗(yàn)評價(jià)指標(biāo)
    6.3 醫(yī)學(xué)圖像預(yù)處理的實(shí)驗(yàn)結(jié)果分析
        6.3.1 醫(yī)學(xué)圖像特征預(yù)處理實(shí)驗(yàn)結(jié)果分析
        6.3.2 醫(yī)學(xué)圖像樣本均衡化處理的實(shí)驗(yàn)結(jié)果分析
    6.4 基于優(yōu)化元學(xué)習(xí)的醫(yī)學(xué)圖像分類算法實(shí)驗(yàn)結(jié)果分析
        6.4.1 相關(guān)濾波優(yōu)化元學(xué)習(xí)分類算法的實(shí)驗(yàn)結(jié)果分析
        6.4.2 基于MAML網(wǎng)絡(luò)改進(jìn)的實(shí)驗(yàn)結(jié)果分析
        6.4.3 基于LSTM優(yōu)化元學(xué)習(xí)分類算法的實(shí)驗(yàn)結(jié)果分析
    6.5 本章小結(jié)
第七章 全文總結(jié)與展望
    7.1 全文總結(jié)
    7.2 后續(xù)工作展望
致謝
參考文獻(xiàn)
攻讀碩士學(xué)位期間取得的成果



本文編號：3723938