基于Graf判據(jù)的兒童髖關(guān)節(jié)發(fā)育狀況篩查輔助診斷系統(tǒng)設(shè)計(jì)
發(fā)布時(shí)間:2021-03-23 04:33
計(jì)算機(jī)輔助診斷和輔助決策系統(tǒng),醫(yī)學(xué)圖像處理與圖像識(shí)別是近年來的研究熱點(diǎn)。髖關(guān)節(jié)發(fā)育異常是新生兒常見骨骼類疾病之一,為了實(shí)現(xiàn)該類疾病的自動(dòng)診斷,本文設(shè)計(jì)和實(shí)現(xiàn)了基于圖像處理技術(shù)的兒童髖關(guān)節(jié)發(fā)育狀況篩查輔助診斷系統(tǒng)。該系統(tǒng)能根據(jù)兒童髖關(guān)節(jié)超聲圖像將其自動(dòng)分為發(fā)育正常,發(fā)育不良,嚴(yán)重發(fā)育不良和脫位四種發(fā)育類型。系統(tǒng)包括五個(gè)部分,即原始圖像預(yù)處理,脫位髖關(guān)節(jié)篩查,非脫位髖關(guān)節(jié)圖像分割,特征提取,及最終診斷。首先,原始圖像預(yù)處理步驟從超聲髖關(guān)節(jié)圖像中提取出關(guān)鍵的髖臼部分圖像。其次,由于脫位類型髖關(guān)節(jié)與非脫位髖關(guān)節(jié)圖像特征明顯不同,因此采用反向傳播神經(jīng)網(wǎng)絡(luò),以預(yù)處理后的髖臼部分圖像作為輸入,先篩查出脫位類型髖關(guān)節(jié)。然后,針對(duì)篩查出的非脫位類型的髖關(guān)節(jié),進(jìn)行圖像分割。圖像分割部分為系統(tǒng)的核心,針對(duì)髖關(guān)節(jié)圖像的特點(diǎn),本文在現(xiàn)有分割算法的基礎(chǔ)上,提出采用兩次分割的方法以獲得最佳圖像分割效果。在第一次分割中,采用處理亮度不均圖像的分割算法進(jìn)行分割,并將演化后的水平集函數(shù)映射為新的灰度均勻圖像,以解決超聲圖像灰度不均問題;在第二次分割中,提出在CV模型中加入形狀先驗(yàn)?zāi)芰宽?xiàng)和水平集正則項(xiàng),使CV模型中水平集函...
【文章來源】:廈門大學(xué)福建省 211工程院校 985工程院校 教育部直屬院校
【文章頁數(shù)】:75 頁
【學(xué)位級(jí)別】:碩士
【部分圖文】:
圖1.1?股骨頭覆蓋率示意圖??
圖3.2?多輸入神經(jīng)元??x〇?=?(rc?,^,-???-,x°r)T數(shù)a可以是任意函數(shù),u,為連接權(quán)向量,6為偏置。凈輸入叫被在/中產(chǎn)生神經(jīng)元的標(biāo)量輸出ai,g卩&??神經(jīng)網(wǎng)絡(luò)在實(shí)際應(yīng)用前需要通過訓(xùn)練對(duì)神經(jīng)網(wǎng)絡(luò)的權(quán)值和偏完成固定工作,而這種權(quán)值和偏置的調(diào)整方法稱為學(xué)習(xí)規(guī)則。點(diǎn)可將其分為有監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)及增強(qiáng)學(xué)習(xí)。有監(jiān)督輸出與預(yù)期輸出相比較,并通過調(diào)整網(wǎng)絡(luò)的權(quán)值和偏置使得預(yù)期輸出越來越接近;無監(jiān)督學(xué)習(xí)則是直接根據(jù)網(wǎng)絡(luò)的輸入置,學(xué)會(huì)將輸入模式分為有限的類型,從而完成聚類操作;一個(gè)級(jí)別或評(píng)分,并通過評(píng)分完成對(duì)輸入序列性能測(cè)度,較為用。??
?輸入層隱含層?輸出層??_??圖3.1?神經(jīng)網(wǎng)絡(luò)示意圖??V〇?/^s.??ft)??圖3.2?多輸入神經(jīng)元??x〇?=?(rc?,^,-???-,x°r)T?(3.3)??激活函數(shù)a可以是任意函數(shù),u,為連接權(quán)向量,6為偏置。凈輸入叫被送入傳輸??函數(shù)/,在/中產(chǎn)生神經(jīng)元的標(biāo)量輸出ai,g卩&??人工神經(jīng)網(wǎng)絡(luò)在實(shí)際應(yīng)用前需要通過訓(xùn)練對(duì)神經(jīng)網(wǎng)絡(luò)的權(quán)值和偏置進(jìn)行調(diào)??整使其能完成固定工作,而這種權(quán)值和偏置的調(diào)整方法稱為學(xué)習(xí)規(guī)則。根據(jù)學(xué)??習(xí)規(guī)則特點(diǎn)可將其分為有監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)及增強(qiáng)學(xué)習(xí)。有監(jiān)督學(xué)習(xí)規(guī)則??是將網(wǎng)絡(luò)輸出與預(yù)期輸出相比較,并通過調(diào)整網(wǎng)絡(luò)的權(quán)值和偏置使得網(wǎng)絡(luò)的實(shí)??際輸出與預(yù)期輸出越來越接近;無監(jiān)督學(xué)習(xí)則是直接根據(jù)網(wǎng)絡(luò)的輸入調(diào)整網(wǎng)絡(luò)??權(quán)值及偏置,學(xué)會(huì)將輸入模式分為有限的類型,從而完成聚類操作;增強(qiáng)學(xué)習(xí)??僅給出一個(gè)級(jí)別或評(píng)分,并通過評(píng)分完成對(duì)輸入序列性能測(cè)度,較為適合控制??系統(tǒng)應(yīng)用。??-18-??
本文編號(hào):3095144
【文章來源】:廈門大學(xué)福建省 211工程院校 985工程院校 教育部直屬院校
【文章頁數(shù)】:75 頁
【學(xué)位級(jí)別】:碩士
【部分圖文】:
圖1.1?股骨頭覆蓋率示意圖??
圖3.2?多輸入神經(jīng)元??x〇?=?(rc?,^,-???-,x°r)T數(shù)a可以是任意函數(shù),u,為連接權(quán)向量,6為偏置。凈輸入叫被在/中產(chǎn)生神經(jīng)元的標(biāo)量輸出ai,g卩&??神經(jīng)網(wǎng)絡(luò)在實(shí)際應(yīng)用前需要通過訓(xùn)練對(duì)神經(jīng)網(wǎng)絡(luò)的權(quán)值和偏完成固定工作,而這種權(quán)值和偏置的調(diào)整方法稱為學(xué)習(xí)規(guī)則。點(diǎn)可將其分為有監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)及增強(qiáng)學(xué)習(xí)。有監(jiān)督輸出與預(yù)期輸出相比較,并通過調(diào)整網(wǎng)絡(luò)的權(quán)值和偏置使得預(yù)期輸出越來越接近;無監(jiān)督學(xué)習(xí)則是直接根據(jù)網(wǎng)絡(luò)的輸入置,學(xué)會(huì)將輸入模式分為有限的類型,從而完成聚類操作;一個(gè)級(jí)別或評(píng)分,并通過評(píng)分完成對(duì)輸入序列性能測(cè)度,較為用。??
?輸入層隱含層?輸出層??_??圖3.1?神經(jīng)網(wǎng)絡(luò)示意圖??V〇?/^s.??ft)??圖3.2?多輸入神經(jīng)元??x〇?=?(rc?,^,-???-,x°r)T?(3.3)??激活函數(shù)a可以是任意函數(shù),u,為連接權(quán)向量,6為偏置。凈輸入叫被送入傳輸??函數(shù)/,在/中產(chǎn)生神經(jīng)元的標(biāo)量輸出ai,g卩&??人工神經(jīng)網(wǎng)絡(luò)在實(shí)際應(yīng)用前需要通過訓(xùn)練對(duì)神經(jīng)網(wǎng)絡(luò)的權(quán)值和偏置進(jìn)行調(diào)??整使其能完成固定工作,而這種權(quán)值和偏置的調(diào)整方法稱為學(xué)習(xí)規(guī)則。根據(jù)學(xué)??習(xí)規(guī)則特點(diǎn)可將其分為有監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)及增強(qiáng)學(xué)習(xí)。有監(jiān)督學(xué)習(xí)規(guī)則??是將網(wǎng)絡(luò)輸出與預(yù)期輸出相比較,并通過調(diào)整網(wǎng)絡(luò)的權(quán)值和偏置使得網(wǎng)絡(luò)的實(shí)??際輸出與預(yù)期輸出越來越接近;無監(jiān)督學(xué)習(xí)則是直接根據(jù)網(wǎng)絡(luò)的輸入調(diào)整網(wǎng)絡(luò)??權(quán)值及偏置,學(xué)會(huì)將輸入模式分為有限的類型,從而完成聚類操作;增強(qiáng)學(xué)習(xí)??僅給出一個(gè)級(jí)別或評(píng)分,并通過評(píng)分完成對(duì)輸入序列性能測(cè)度,較為適合控制??系統(tǒng)應(yīng)用。??-18-??
本文編號(hào):3095144
本文鏈接:http://sikaile.net/yixuelunwen/waikelunwen/3095144.html
最近更新
教材專著