基于元學習框架的醫(yī)學圖像分類算法研究
發(fā)布時間:2022-12-22 19:54
在醫(yī)學圖像中,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)學圖像分類任務的分類算法對醫(yī)療診斷有著重要的輔助作用。同時,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,且病理特征較為復雜,往往需要經過專業(yè)培訓的醫(yī)學工作者才能完成診斷工作。因此,有效的自動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,利用深度神經網絡處理圖像分類任務往往需要大量樣本參與訓練。但在醫(yī)學領域中,很難滿足深度學習所需的大量數據。同時,基于大規(guī)模數據的深度學習網絡模型泛化性弱,很難在短時間內適應新的分類任務。因此,本文提出以元學習框架為基礎對醫(yī)學圖像分類問題展開分析,主要研究內容為以下三個方面:1.研究和分析了醫(yī)學圖像的預處理方法。本文根據微血管圖像對于顏色特征的敏感性,采用基于單對抗神經元(Single Opponent,SO)的特征提取算法對其進行圖像的預處理。針對皮膚病理圖像的照度異常問題對病理區(qū)域特征產生的消極影響,本文采用自適應環(huán)繞調制(Adaptive Surround Modul...
【文章頁數】:79 頁
【學位級別】: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 國內外研究現狀
1.2.1 醫(yī)學圖像分類的研究現狀
1.2.2 元學習算法的研究現狀
1.3 論文的研究目標和研究內容
1.4 論文的結構安排
第二章 醫(yī)學圖像分類的相關技術簡介
2.1 元學習算法
2.1.1 基于初始化權重的元學習算法
2.1.2 基于通用特征學習的元學習算法
2.2 卷積神經網絡
2.2.1 卷積神經網絡特點
2.2.2 卷積神經網絡基本結構
2.2.3 卷積神經網絡模型
2.3 相關濾波算法
2.4 本章小結
第三章 醫(yī)學圖像的預處理算法
3.1 基于單對抗神經元模型的微血管特征預處理
3.2 基于色彩恒常算法的皮膚病理圖像的預處理
3.3 非均衡醫(yī)學圖像樣本的預處理
3.3.1 基本圖像處理技術的數據增強
3.3.2 基于CGAN的醫(yī)學圖像生成算法
3.3.3 基于最大熵的樣本均衡化算法
3.4 本章小結
第四章 基于MAML優(yōu)化的醫(yī)學圖像分類算法
4.1 基于MAML的醫(yī)學圖像分類算法
4.2 基于相關濾波投票的元學習算法
4.2.1 多批次投票機制
4.2.2 基于相關濾波的元學習算法
4.3 MAML網絡模型
4.3.1 MAML網絡模型的特點
4.3.2 MAML網絡模型的改進
4.4 本章小結
第五章 基于LSTM優(yōu)化元學習的醫(yī)學圖像分類算法
5.1 雙對抗神經元模型
5.1.1 Gabor濾波器
5.1.2 基于雙對抗神經元模型的微血管圖像特征處理
5.2 基于LSTM的元學習算法
5.2.1 基于LSTM的模型
5.2.2 基于LSTM優(yōu)化元學習的算法
5.2.3 基于LSTM優(yōu)化元學習的DO通道圖像分類算法
5.3 本章小結
第六章 實驗部分
6.1 數據集介紹
6.2 實驗評價指標
6.3 醫(yī)學圖像預處理的實驗結果分析
6.3.1 醫(yī)學圖像特征預處理實驗結果分析
6.3.2 醫(yī)學圖像樣本均衡化處理的實驗結果分析
6.4 基于優(yōu)化元學習的醫(yī)學圖像分類算法實驗結果分析
6.4.1 相關濾波優(yōu)化元學習分類算法的實驗結果分析
6.4.2 基于MAML網絡改進的實驗結果分析
6.4.3 基于LSTM優(yōu)化元學習分類算法的實驗結果分析
6.5 本章小結
第七章 全文總結與展望
7.1 全文總結
7.2 后續(xù)工作展望
致謝
參考文獻
攻讀碩士學位期間取得的成果
本文編號:3723938
【文章頁數】:79 頁
【學位級別】: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 國內外研究現狀
1.2.1 醫(yī)學圖像分類的研究現狀
1.2.2 元學習算法的研究現狀
1.3 論文的研究目標和研究內容
1.4 論文的結構安排
第二章 醫(yī)學圖像分類的相關技術簡介
2.1 元學習算法
2.1.1 基于初始化權重的元學習算法
2.1.2 基于通用特征學習的元學習算法
2.2 卷積神經網絡
2.2.1 卷積神經網絡特點
2.2.2 卷積神經網絡基本結構
2.2.3 卷積神經網絡模型
2.3 相關濾波算法
2.4 本章小結
第三章 醫(yī)學圖像的預處理算法
3.1 基于單對抗神經元模型的微血管特征預處理
3.2 基于色彩恒常算法的皮膚病理圖像的預處理
3.3 非均衡醫(yī)學圖像樣本的預處理
3.3.1 基本圖像處理技術的數據增強
3.3.2 基于CGAN的醫(yī)學圖像生成算法
3.3.3 基于最大熵的樣本均衡化算法
3.4 本章小結
第四章 基于MAML優(yōu)化的醫(yī)學圖像分類算法
4.1 基于MAML的醫(yī)學圖像分類算法
4.2 基于相關濾波投票的元學習算法
4.2.1 多批次投票機制
4.2.2 基于相關濾波的元學習算法
4.3 MAML網絡模型
4.3.1 MAML網絡模型的特點
4.3.2 MAML網絡模型的改進
4.4 本章小結
第五章 基于LSTM優(yōu)化元學習的醫(yī)學圖像分類算法
5.1 雙對抗神經元模型
5.1.1 Gabor濾波器
5.1.2 基于雙對抗神經元模型的微血管圖像特征處理
5.2 基于LSTM的元學習算法
5.2.1 基于LSTM的模型
5.2.2 基于LSTM優(yōu)化元學習的算法
5.2.3 基于LSTM優(yōu)化元學習的DO通道圖像分類算法
5.3 本章小結
第六章 實驗部分
6.1 數據集介紹
6.2 實驗評價指標
6.3 醫(yī)學圖像預處理的實驗結果分析
6.3.1 醫(yī)學圖像特征預處理實驗結果分析
6.3.2 醫(yī)學圖像樣本均衡化處理的實驗結果分析
6.4 基于優(yōu)化元學習的醫(yī)學圖像分類算法實驗結果分析
6.4.1 相關濾波優(yōu)化元學習分類算法的實驗結果分析
6.4.2 基于MAML網絡改進的實驗結果分析
6.4.3 基于LSTM優(yōu)化元學習分類算法的實驗結果分析
6.5 本章小結
第七章 全文總結與展望
7.1 全文總結
7.2 后續(xù)工作展望
致謝
參考文獻
攻讀碩士學位期間取得的成果
本文編號:3723938
本文鏈接:http://sikaile.net/yixuelunwen/swyx/3723938.html
最近更新
教材專著