腸上皮化生是指胃粘膜上皮細(xì)胞被腸型上皮細(xì)胞所代替,是胃粘膜的常見病變。早期胃癌的大量研究與發(fā)現(xiàn)表明,胃癌演變的規(guī)律是:正常胃黏膜-非萎縮性胃炎-萎縮性胃炎-腸上皮化生-異型增生-胃癌。所以認(rèn)為胃粘膜腸上皮化生與胃癌有十分密切的關(guān)系。胃癌是世界上常見的惡性腫瘤之一,胃癌的臨床發(fā)病率非常高,且早期胃癌在內(nèi)窺鏡觀察下并沒有明確的狀態(tài)顯現(xiàn),這無疑給鏡檢帶來重重的困難,導(dǎo)致大部分患者無法得到及時診治拖到到中晚期才診斷出來。如果在早期做到預(yù)防,提高檢出率,就可以減少胃癌發(fā)病率。檢查早期胃癌的通用方法是使用胃窺鏡觀測,然而隨著內(nèi)窺鏡成像率增加而來的是醫(yī)生越來越重的閱片負(fù)擔(dān),醫(yī)生通過鏡檢觀察病灶無可避免主觀因素的制約,而計算機(jī)輔助診斷技術(shù)的出現(xiàn)無疑是為當(dāng)前困境開辟了新的方向。怎樣才能在降低內(nèi)鏡醫(yī)生工作強(qiáng)度的同時提高早期胃癌檢查的準(zhǔn)確率,特別是減少腸上皮化生的遺漏率成為圖像處理專家面臨的問題。在這樣的需求之下,計算機(jī)輔助診斷技術(shù)得到了廣泛的應(yīng)用,并成為醫(yī)學(xué)影像學(xué)研究的熱點之一。本文主要研究內(nèi)窺鏡檢查過程中針對白光內(nèi)鏡圖像的計算機(jī)輔助診斷腸上皮化生病灶的識別。以提高計算機(jī)輔助診斷的準(zhǔn)確率和效率為目標(biāo)。本文... 

【文章頁數(shù)】：73 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 課題研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 論文主要研究內(nèi)容
    1.4 論文的組織結(jié)構(gòu)
2 語義分割相關(guān)內(nèi)容研究
    2.1 圖像語義分割
        2.1.1 概述
        2.1.2 圖像分割常用方法
        2.1.3 語義分割評估指標(biāo)
    2.2 全卷積神經(jīng)網(wǎng)絡(luò)
        2.2.1 卷積神經(jīng)網(wǎng)絡(luò)概述
        2.2.2 全卷積神經(jīng)網(wǎng)絡(luò)概述
        2.2.3 FCN網(wǎng)絡(luò)結(jié)構(gòu)
        2.2.4 FCN網(wǎng)絡(luò)結(jié)構(gòu)特點
    2.3 Deep Labv3+網(wǎng)絡(luò)
        2.3.1 Deep Labv3+網(wǎng)絡(luò)概述
        2.3.2 Deep Labv3+網(wǎng)絡(luò)結(jié)構(gòu)
        2.3.3 Deep Labv3+網(wǎng)絡(luò)結(jié)構(gòu)特點
    2.4 本章小結(jié)
3 計算機(jī)輔助診斷腸上皮化生W-Deeplab網(wǎng)絡(luò)的設(shè)計
    3.1 W-Deeplab網(wǎng)絡(luò)結(jié)構(gòu)
    3.2 編碼器設(shè)計
        3.2.1 Xception模型概述
        3.2.2 DPC架構(gòu)
        3.2.3 編碼器模塊中的Xception模型
    3.3 解碼器設(shè)計
        3.3.1 深度可分離卷積
    3.4 模型細(xì)節(jié)
    3.5 模型優(yōu)化
        3.5.1 損失函數(shù)及L2正則化
        3.5.2 Adam優(yōu)化器
    3.6 本章小結(jié)
4 基于W-Deeplab網(wǎng)絡(luò)的內(nèi)窺鏡圖像中病灶的檢測研究
    4.1 研究目的與意義
    4.2 白光下內(nèi)窺鏡圖像中腸上皮化生的病理特征
    4.3 數(shù)據(jù)獲取與處理
        4.3.1 數(shù)據(jù)獲取
        4.3.2 數(shù)據(jù)標(biāo)注
        4.3.3 數(shù)據(jù)擴(kuò)增
    4.4 評價指標(biāo)
    4.5 模型訓(xùn)練
        4.5.1 遷移學(xué)習(xí)
        4.5.2 網(wǎng)絡(luò)初始化
        4.5.3 訓(xùn)練過程
    4.6 實驗結(jié)果與分析
        4.6.1 白光下圖像的實驗結(jié)果
        4.6.2 白光下圖像實驗結(jié)果的分析
    4.7 本章小結(jié)
5 總結(jié)與展望
    5.1 論文總結(jié)
    5.2 論文展望
參考文獻(xiàn)
個人簡歷、在校期間發(fā)表的學(xué)術(shù)論文與研究成果
致謝


【參考文獻(xiàn)】：
期刊論文
[1]基于DeepLabv3的左心室超聲圖像分割方法[J]. 薛飛,伍岳慶,姚宇,任偉.  計算機(jī)應(yīng)用. 2019(S2)
[2]改進(jìn)DeepLabv3+網(wǎng)絡(luò)的腸道息肉分割方法[J]. 王亞剛,郗怡媛,潘曉英.  計算機(jī)科學(xué)與探索. 2020(07)
[3]基于深度網(wǎng)絡(luò)的圖像語義分割綜述[J]. 羅會蘭,張云.  電子學(xué)報. 2019(10)
[4]早期胃癌診斷中窄帶成像技術(shù)結(jié)合放大內(nèi)鏡的臨床價值[J]. 王宏.  中國醫(yī)藥指南. 2019(26)
[5]基于深度學(xué)習(xí)的圖像語義分割技術(shù)研究綜述[J]. 鄺輝宇,吳俊君.  計算機(jī)工程與應(yīng)用. 2019(19)
[6]圖像語義分割方法綜述[J]. 胡濤,李衛(wèi)華,秦先祥.  測控技術(shù). 2019(07)
[7]計算機(jī)輔助醫(yī)學(xué)診斷的相關(guān)問題探討[J]. 王寰,楊澤慧.  電腦知識與技術(shù). 2019(11)
[8]基于改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)的多視角人臉表情識別[J]. 錢勇生,邵潔,季欣欣,李曉瑞,莫晨,程其玉.  計算機(jī)工程與應(yīng)用. 2018(24)
[9]基于深度學(xué)習(xí)的胃癌病理圖像分類方法[J]. 張澤中,高敬陽,呂綱,趙地.  計算機(jī)科學(xué). 2018(S2)
[10]深度學(xué)習(xí)圖像分割算法在胃癌病理切片中的可行性分析[J]. 梁橋康,南洋,項韶,梅麗,孫煒,于觀貞.  第二軍醫(yī)大學(xué)學(xué)報. 2018(08)

博士論文
[1]窄帶光成像和放大內(nèi)鏡圖像在早期食管鱗癌診斷中的應(yīng)用研究及其計算機(jī)輔助診斷研究方法的探索性研究[D]. 趙媛媛.安徽醫(yī)科大學(xué) 2019
[2]基于圖論的圖像分割算法的研究[D]. 劉仲民.蘭州理工大學(xué) 2018
[3]上皮乳頭內(nèi)毛細(xì)血管袢形態(tài)學(xué)變化及血管生長因子、浸潤相關(guān)細(xì)胞因子與表淺食管癌的相關(guān)性研究[D]. 吳洪磊.山東大學(xué) 2017
[4]計算機(jī)輔助醫(yī)學(xué)影像診斷中的關(guān)鍵學(xué)習(xí)技術(shù)研究[D]. 沈曄.浙江大學(xué) 2014

碩士論文
[1]基于語義分割的食管早癌計算機(jī)輔助診斷關(guān)鍵技術(shù)研究[D]. 杜笑笑.鄭州大學(xué) 2019
[2]內(nèi)鏡窄帶成像技術(shù)用于胃黏膜腸上皮化生診斷的Meta分析[D]. 張美.重慶醫(yī)科大學(xué) 2019
[3]基于深度學(xué)習(xí)的肺部圖像分割研究[D]. 孫先亮.北京交通大學(xué) 2019
[4]光學(xué)增強(qiáng)內(nèi)鏡（OE）對胃黏膜腸上皮化生準(zhǔn)確性研究[D]. 王立梅.山東大學(xué) 2018
[5]基于深度學(xué)習(xí)的圖像語義分割技術(shù)研究[D]. 文宏雕.電子科技大學(xué) 2018
[6]窄帶成像聯(lián)合放大內(nèi)鏡診斷慢性萎縮性胃炎及腸上皮化生的臨床研究[D]. 唐琳.南昌大學(xué) 2016
[7]NBI-ME對慢性胃炎腸上皮化生診斷的意義[D]. 王巖.青島大學(xué) 2016
[8]十年間胃鏡診斷慢性胃炎差異的臨床分析[D]. 常仁杰.昆明醫(yī)科大學(xué) 2014
[9]不同形態(tài)萎縮性胃炎伴腸上皮化生胃黏膜中Ki67和RegIV的表達(dá)情況[D]. 郁巖杰.鄭州大學(xué) 2012



本文編號：3680544