隨著生活方式的改變,長(zhǎng)期伏案工作人員增多,近年來(lái)頸椎病發(fā)病率不斷上升,出現(xiàn)臨床和放射科醫(yī)生不足的缺口,且臨床實(shí)際中醫(yī)生診斷頸脊髓疾病容易出現(xiàn)漏診,誤診。深度學(xué)習(xí)方法在醫(yī)療領(lǐng)域的應(yīng)用目前稱為人們關(guān)注的焦點(diǎn)。其中使用卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測(cè)算法能夠快速的檢測(cè)醫(yī)學(xué)圖像中病變區(qū)域的位置并對(duì)疾病類型做出分類。若能將深度學(xué)習(xí)方法應(yīng)用到頸脊髓疾病診斷問(wèn)題中,不僅可以加快疾病診斷的速度,為患者的治療贏得寶貴的時(shí)間,又能減少誤診率,漏診率。本文對(duì)頸椎MRI圖像和卷積神經(jīng)網(wǎng)絡(luò)目標(biāo)檢測(cè)算法均進(jìn)行了深入研究。目前,學(xué)術(shù)界尚沒(méi)有公開的頸椎MRI圖像數(shù)據(jù)集以供研究。因此作者首先與吉林省某醫(yī)院醫(yī)生合作建立了一個(gè)小型的頸椎MRI數(shù)據(jù)集,并通過(guò)成熟的自然圖像目標(biāo)檢測(cè)算法faster-rcnn證明數(shù)據(jù)集的有效性和利用深度學(xué)習(xí)輔助檢測(cè)頸脊髓疾病的可行性。之后,針對(duì)faster-rcnn算法在此數(shù)據(jù)集上因數(shù)據(jù)集規(guī)模較小而出現(xiàn)的過(guò)擬合問(wèn)題提出改進(jìn)方法。第一,利用彈性形變算法模擬患者拍攝MRI圖像時(shí)會(huì)固有產(chǎn)生的形變,對(duì)數(shù)據(jù)集進(jìn)行數(shù)據(jù)增強(qiáng)。第二,在算法的特征提取模塊加入SE模組,將網(wǎng)絡(luò)結(jié)構(gòu)調(diào)整為SEnet結(jié)構(gòu),這個(gè)改動(dòng)在數(shù)據(jù)增強(qiáng)的基... 

【文章來(lái)源】：吉林大學(xué)吉林省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：48 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 課題研究背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 深度學(xué)習(xí)的研究現(xiàn)狀
        1.2.2 深度學(xué)習(xí)在醫(yī)學(xué)圖像領(lǐng)域的研究現(xiàn)狀
    1.3 本文研究?jī)?nèi)容及安排
第2章 相關(guān)技術(shù)介紹
    2.1 頸椎脊髓MRI影像的相關(guān)知識(shí)
        2.1.1 頸椎和脊髓
        2.1.2 頸椎脊髓MRI成像
        2.1.3 頸脊髓疾病的人工檢測(cè)
    2.2 深度學(xué)習(xí)概述
        2.2.1 卷積神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)
        2.2.2 卷積神經(jīng)網(wǎng)絡(luò)基本組件
            2.2.2.1 卷積層
            2.2.2.2 池化層
            2.2.2.3 激活函數(shù)
第3章 小樣本頸椎MRI數(shù)據(jù)集及驗(yàn)證
    3.1 頸椎MRI目標(biāo)檢測(cè)問(wèn)題分析
    3.2 數(shù)據(jù)集準(zhǔn)備
    3.3 可用性及有效性分析
第4章 基于SEnet的頸椎目標(biāo)檢測(cè)研究
    4.1 問(wèn)題分析
    4.2 基于彈性形變算法的數(shù)據(jù)增強(qiáng)
    4.3 基于SEnet的特征提取器
    4.4 三種加權(quán)圖像的結(jié)合方式分析
        4.4.1 前結(jié)合方式
        4.4.2 中結(jié)合方式
        4.4.3 后結(jié)合方式
    4.5 實(shí)驗(yàn)參數(shù)設(shè)定
    4.6 實(shí)驗(yàn)結(jié)果分析
第5章 總結(jié)與展望
    5.1 本文工作總結(jié)
    5.2 未來(lái)研究方向
參考文獻(xiàn)
作者簡(jiǎn)介及在校期間所取得的科研成果



本文編號(hào)：3186765