【摘要】：圖像分類在計算機視覺領(lǐng)域一直占有很重要的地位,隨著各式各樣的圖像采集技術(shù)的不斷發(fā)展,越來越多的圖像走進了人們的生活,現(xiàn)有的圖像分類技術(shù)可以高效準(zhǔn)確的對圖像進行分類。眾所周知,分類器的訓(xùn)練過程需要用到大量的樣本,然而在醫(yī)療圖像領(lǐng)域中人們發(fā)現(xiàn),仍然存在著數(shù)據(jù)集有限以及帶注釋樣本的圖像數(shù)量有限等問題。人們希望可以擁有更多的圖像來幫助他們訓(xùn)練出分類準(zhǔn)確率更高的分類器。生成對抗網(wǎng)絡(luò)自提出之日起,就受到了極為廣泛的關(guān)注,生成對抗網(wǎng)絡(luò)的出現(xiàn)對于生成式模型的發(fā)展具有重要的意義。GAN最直接的應(yīng)用在于生成數(shù)據(jù),換句話說就是利用GAN來生成圖像、語音等數(shù)據(jù)。卷積神經(jīng)網(wǎng)絡(luò)作為目前圖像處理領(lǐng)域最成功的模型,已被廣泛的應(yīng)用到了多個領(lǐng)域當(dāng)中,早在20世紀(jì)末卷積神經(jīng)網(wǎng)絡(luò)就已經(jīng)開始應(yīng)用到了醫(yī)學(xué)圖像分析中,后來由于受到梯度消失等因素的影響,使得關(guān)于神經(jīng)網(wǎng)絡(luò)的研究進入到了瓶頸期。直到人們找到了訓(xùn)練深層的神經(jīng)網(wǎng)絡(luò)的方法,使得卷積神經(jīng)網(wǎng)絡(luò)被重新的應(yīng)用到了醫(yī)療圖像領(lǐng)域中,那么如何把CNN和GAN結(jié)合起來就成為了很多學(xué)者研究的方向,而DCGAN就是在這方面最好的嘗試之一。然而,DCGAN模型的卷積網(wǎng)絡(luò)受到局部感受野的限制,無法生成大范圍相關(guān)區(qū)域,最終導(dǎo)致生成的圖像無法達到人們的預(yù)期效果。針對上述問題,本文提出了基于自注意力機制的DCGAN分類模型。該模型把自注意力機制引入到了DCGAN模型中,用帶有自注意力的特征圖替換掉原有DCGAN中經(jīng)過卷積后產(chǎn)生的卷積特征圖。解決了模型因受到局部感受野的限制,卷積網(wǎng)絡(luò)無法生成大范圍相關(guān)區(qū)域這一難題。本文主要由以下幾部分工作構(gòu)成:(1)本文首先介紹了生成對抗網(wǎng)絡(luò)相關(guān)的基礎(chǔ)知識,包括什么是生成對抗網(wǎng)絡(luò)、生成對抗網(wǎng)絡(luò)的幾種經(jīng)典變體以及本文中用到的相關(guān)知識要點;介紹了生成對抗網(wǎng)絡(luò)的研究現(xiàn)狀以及生成對抗網(wǎng)絡(luò)在醫(yī)療圖像領(lǐng)域的應(yīng)用。(2)介紹了生成對抗網(wǎng)絡(luò)相較于傳統(tǒng)數(shù)據(jù)增強方法的優(yōu)勢,并著重介紹了DCGAN模型,該模型把卷積神經(jīng)網(wǎng)絡(luò)和生成對抗網(wǎng)絡(luò)結(jié)合在了一起,有效地提高了生成樣本的質(zhì)量以及收斂的速度。(3)由于受到數(shù)據(jù)集大小的限制,本文使用三折交叉驗證方法將原始數(shù)據(jù)集進行了處理,保證了數(shù)據(jù)集中的每一條數(shù)據(jù)都有同等的概率被用于訓(xùn)練和測試,在一定程度上提高了模型的泛化能力。針對DCGAN模型因受到局部感受野的限制,卷積網(wǎng)絡(luò)無法生成大范圍相關(guān)區(qū)域的問題,本文對DCGAN模型進行了改進。將自注意力機制引入到了模型當(dāng)中,使得改進后的模型可以生成更高質(zhì)量的圖片,進而提高了分類器分類的準(zhǔn)確率。(4)為了驗證基于自注意力機制的DCGAN分類模型在肝結(jié)節(jié)分類中的實際表現(xiàn),本文將基于自注意力機制的DCGAN模型同傳統(tǒng)數(shù)據(jù)增強方法和DCGAN模型進行了對比實驗,使用混淆矩陣、靈敏度來評估分類器的性能,最終實驗結(jié)果表明基于自注意力機制的DCGAN分類模型在肝結(jié)節(jié)的分類問題中具有更好的表現(xiàn)。
【學(xué)位授予單位】：吉林大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：TP391.41;TP183;R575
【圖文】：

圖 2.1 生成對抗網(wǎng)絡(luò)模型結(jié)構(gòu)圖生成對抗網(wǎng)絡(luò)的實現(xiàn)原理可以簡要的概況為：我們把一個隨機的向量作為生成模型的第一個輸入，讓它通過學(xué)習(xí)產(chǎn)生一個新的向量，我們把這個生成的新的向量用 G（z）來表示，此時我們再從數(shù)據(jù)集中隨機的選取圖片，將圖片轉(zhuǎn)換成對應(yīng)的向量，我們這里用 x 來表示真實的圖片。GAN 的優(yōu)化過程可以理解為找到納什平衡點的一個過程，在公式（2.1）中給出了論文中的一個優(yōu)化函數(shù)。( minmax ( , ) ~ ( )[ log( ( ))] ~ ( )[log(1 ( ( )))]zx pdata x z p zV D G E D x E D G z……（2.1）在這里我們先對判別網(wǎng)絡(luò)進行優(yōu)化，此時固定 G，讓判別器在輸入真實樣本時得到的結(jié)果越大越好，而當(dāng)判別器輸入假的樣本時，其輸出結(jié)果越小越好。當(dāng)我們優(yōu)化生成網(wǎng)絡(luò)時，我們希望 D（G（z））越大越好，提高 D 的準(zhǔn)確率。log(1-D(x))是我們在上面提到的生成器的損失函數(shù)的方程表達式，但是當(dāng) D（x）

圖 2.4 DCGAN 模型中生成器的結(jié)構(gòu)圖圖 2.4[9]是 DCGAN 原文中給出的生成器的結(jié)構(gòu)圖，從圖中我們可以知道，當(dāng)生成模型的輸入是一個 100 維的噪聲時，需要通過四層卷積層，最終產(chǎn)生一個 64*64*3 大小的圖片。值得注意的是，很多引用此篇論文的科研人員把圖片中的卷積層誤當(dāng)成了反卷積層[31]。實際上，這 4 個卷積層指的是微步幅度卷積。兩者的區(qū)別如下圖 2.5 所示：

圖 2.4 DCGAN 模型中生成器的結(jié)構(gòu)圖圖 2.4[9]是 DCGAN 原文中給出的生成器的結(jié)構(gòu)圖，從圖中我們可以知道，當(dāng)生成模型的輸入是一個 100 維的噪聲時，需要通過四層卷積層，最終產(chǎn)生一個 64*64*3 大小的圖片。值得注意的是，很多引用此篇論文的科研人員把圖片中的卷積層誤當(dāng)成了反卷積層[31]。實際上，這 4 個卷積層指的是微步幅度卷積。兩者的區(qū)別如下圖 2.5 所示：

【相似文獻】

相關(guān)期刊論文 前10條

1 李紅旗;席廣利;;22例肝結(jié)節(jié)狀再生性增生患者的臨床特點[J];當(dāng)代醫(yī)藥論叢;2014年09期

2 郭濤;錢家鳴;朱麗明;周煒洵;朱峰;孫剛;方秀才;;對肝結(jié)節(jié)狀再生性增生的再認(rèn)識—附18例臨床分析[J];胃腸病學(xué)和肝病學(xué)雜志;2010年04期

3 朱麗明;錢家鳴;周煒洵;;12例肝結(jié)節(jié)狀再生性增生臨床分析[J];中華消化雜志;2005年10期

4 王葵;張小峰;李錫鋒;施樂華;;肝結(jié)節(jié)再生性增生誤診為肝癌一例[J];中華臨床醫(yī)師雜志(電子版);2009年04期

5 陳靜,郭宏,成繼民;肝臟結(jié)節(jié)壞死一例[J];臨床誤診誤治;2003年06期

6 陳育青 ,趙明輝 ,劉玉春 ,王梅 ,鄒萬忠;狼瘡性腎炎與肝結(jié)節(jié)狀再生性增生一例[J];中華內(nèi)科雜志;2002年09期

7 孟令平;王國光;胡明秀;洪玉萍;官兵;喬偉偉;;大鼠肝硬化背景下肝結(jié)節(jié)MR征象與病理分型[J];醫(yī)學(xué)影像學(xué)雜志;2015年11期

8 張靜,張淑貞;影像學(xué)診斷肝局灶性結(jié)節(jié)增生并出血1例[J];醫(yī)學(xué)影像學(xué)雜志;2004年09期

9 陳峰,關(guān)愛華;肝局灶性結(jié)節(jié)性增生一例[J];中華普通外科雜志;2002年04期

10 鄭永飛;魏培英;孔建國;張華;吳恩福;;肝上皮樣血管平滑肌脂肪瘤1例[J];溫州醫(yī)科大學(xué)學(xué)報;2015年01期

相關(guān)會議論文 前1條

1 宋彬;;肝臟結(jié)節(jié)性病變的影像學(xué)表現(xiàn)和相關(guān)病理基礎(chǔ)[A];第十次全國中西醫(yī)結(jié)合影像學(xué)術(shù)研討會暨全國中西醫(yī)結(jié)合影像學(xué)研究與診斷學(xué)習(xí)班資料匯編[C];2009年

相關(guān)碩士學(xué)位論文 前1條

1 金川皓;生成對抗網(wǎng)絡(luò)在肝結(jié)節(jié)分類中的應(yīng)用[D];吉林大學(xué);2019年

本文編號：2782246