傳統(tǒng)的機(jī)器學(xué)習(xí)算法需要采用大量的有標(biāo)記樣本進(jìn)行學(xué)習(xí),從而建立模型用于預(yù)測未知樣本的標(biāo)記,即監(jiān)督學(xué)習(xí)。監(jiān)督學(xué)習(xí)是機(jī)器學(xué)習(xí)中被研究最多,且應(yīng)用最廣泛的一種學(xué)習(xí)途徑。近年來,伴隨著計(jì)算機(jī)技術(shù)的飛速發(fā)展,數(shù)據(jù)的收集和存儲已變得相當(dāng)容易,使得深度學(xué)習(xí)技術(shù)在人工智能的許多領(lǐng)域取得了卓越的成果。深度學(xué)習(xí)的方法大多采用監(jiān)督學(xué)習(xí)模式,而實(shí)際應(yīng)用中,獲取大量有標(biāo)記的示例可能需要耗費(fèi)大量的人力物力。利用少量標(biāo)注樣本和大量未標(biāo)注樣本進(jìn)行的機(jī)器學(xué)習(xí),即介于無監(jiān)督學(xué)習(xí)和有監(jiān)督學(xué)習(xí)之間的半監(jiān)督學(xué)習(xí),半監(jiān)督學(xué)習(xí)可以有效的減少對人工標(biāo)注的依賴,這使它成為機(jī)器學(xué)習(xí)的熱門領(lǐng)域。本文提出一種基于半監(jiān)督學(xué)習(xí)的階梯網(wǎng)絡(luò),該方法通過每層的橫向連接,利用無監(jiān)督學(xué)習(xí)來補(bǔ)充監(jiān)督學(xué)習(xí),以達(dá)到對大量未標(biāo)記數(shù)據(jù)的有效利用。將其應(yīng)用于腹部CT影像肝臟分割,取得了較好的效果。構(gòu)建基于梯形網(wǎng)絡(luò)的半監(jiān)督架構(gòu),分別內(nèi)嵌多層感知機(jī)與卷積神經(jīng)網(wǎng)絡(luò),利用代價函數(shù)實(shí)現(xiàn)網(wǎng)絡(luò)參數(shù)的更新。提取腹部影像中子圖像(patch),放入網(wǎng)絡(luò)中訓(xùn)練。該過程將產(chǎn)生大量的冗余信息,為減少冗余信息,采用超像素方法剔除肝實(shí)質(zhì)與腹部的其他臟器信息,僅保留肝臟邊緣區(qū)域,得到肝臟輪廓的粗分割圖片。為了補(bǔ)充在編碼通道中丟失的細(xì)節(jié)信息,解碼通道在每層都具有從加噪編碼器到解碼器的橫向連接,并且每層都對成本函數(shù)有貢獻(xiàn),使得深層網(wǎng)絡(luò)的每一層都能得到有效的學(xué)習(xí)。為了緩解過擬合的問題,在網(wǎng)絡(luò)的每層增加批量歸一化,加快網(wǎng)絡(luò)的收斂速度。網(wǎng)絡(luò)采用ReLU函數(shù)作為激活函數(shù),解決了梯度消失等問題。實(shí)驗(yàn)數(shù)據(jù)表明,本文提出的算法具有較高的精度,在標(biāo)簽占總數(shù)據(jù)的8%時,像素分類的準(zhǔn)確值為91.53%和92.04%。本文通過實(shí)驗(yàn)驗(yàn)證未標(biāo)記樣本對算法準(zhǔn)確率的影響,證明了半監(jiān)督階梯網(wǎng)絡(luò)中未標(biāo)記數(shù)據(jù)的有用性。
【學(xué)位單位】：吉林大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2018
【中圖分類】：TP391.41;R816.5
【部分圖文】：

第一章 緒論析可以有效地幫助醫(yī)生進(jìn)行更準(zhǔn)確的臨床診斷；更精確地預(yù)測治療方案的成本與療效；整合病人基因信息進(jìn)行個性化治療；分析人口健康數(shù)據(jù)預(yù)測疾病爆發(fā)；快速有效的監(jiān)測保險詐騙等[1]。由大數(shù)據(jù)產(chǎn)生的醫(yī)療智能決策方法能夠提高醫(yī)療的精準(zhǔn)咨詢，提高患者的知情權(quán)，同時使得自助醫(yī)療、家庭醫(yī)療有了實(shí)現(xiàn)的機(jī)會。

學(xué)習(xí)以及半監(jiān)督學(xué)習(xí)。傳統(tǒng)的機(jī)器學(xué)習(xí)算法需采用大量的有標(biāo)記的樣本進(jìn)行學(xué)習(xí)，從而建立模型并用于預(yù)測未知樣本的標(biāo)記，即監(jiān)督學(xué)習(xí)。監(jiān)督學(xué)習(xí)是機(jī)器學(xué)習(xí)中被研究最多，且應(yīng)用最廣泛的一種學(xué)習(xí)途徑[56]。近年來，伴隨著計(jì)算機(jī)技術(shù)的飛速發(fā)展，數(shù)據(jù)的收集和存儲已變得相當(dāng)容易，使得深度學(xué)習(xí)技術(shù)在人工智能的許多領(lǐng)域取了卓越的成果。在傳統(tǒng)的監(jiān)督學(xué)習(xí)中，假設(shè)模型是從大量的訓(xùn)練實(shí)例中學(xué)到的。每個訓(xùn)練樣本都有一個標(biāo)簽，用于指導(dǎo)模型所描述事件的所需輸出。在分類中，標(biāo)簽表示相應(yīng)例子所屬的類別；在分割中，標(biāo)簽表示相應(yīng)的 ROI 區(qū)域；在回歸中，標(biāo)簽是一個數(shù)值輸出，如溫度、高度、價格等。目前，大部分深度學(xué)習(xí)的方法基本采用監(jiān)督學(xué)習(xí)模式[57-59]，但是實(shí)際應(yīng)用中，獲取有標(biāo)記的示例不僅需要一定的專業(yè)知識，還耗費(fèi)大量的人力物力以及時間。利用少量標(biāo)注樣本和大量未標(biāo)注樣本進(jìn)行的機(jī)器學(xué)習(xí)，即介于無監(jiān)督學(xué)習(xí)和有監(jiān)督學(xué)習(xí)之間的半監(jiān)督學(xué)習(xí)。

第二章 半監(jiān)督學(xué)習(xí)成的�？梢园l(fā)現(xiàn)只有第一個概率估計(jì)涉及類標(biāo)簽。未標(biāo)記樣本可以用來改進(jìn)第二個概率的估計(jì)，從而提高了學(xué)習(xí)模型的性能。半監(jiān)督學(xué)習(xí)有兩個基本假設(shè)，即聚類假設(shè)(Cluster Assumption)和流形假設(shè)(Manifold Assumption)。聚類假設(shè)假定類似的輸入數(shù)據(jù)應(yīng)該有類似的類標(biāo)簽；流行假設(shè)假定數(shù)據(jù)類似的輸入也應(yīng)該有類似的輸出。聚類假設(shè)應(yīng)用于分類問題，而流形假設(shè)則可以應(yīng)用于其他任務(wù)。某種意義上，流形假設(shè)是聚類假設(shè)的泛化。無論采取哪種假設(shè)，半監(jiān)督學(xué)習(xí)的基礎(chǔ)是，無標(biāo)簽的數(shù)據(jù)為基準(zhǔn)數(shù)據(jù)(groundtruch)分布提供了有用的信息。因此，半監(jiān)督學(xué)習(xí)的一個關(guān)鍵是利用未標(biāo)注樣本的分布信息。半監(jiān)督算法根據(jù)目的可以分為分類、降維、回歸、聚類；根據(jù)模型種類可以分為半監(jiān)督支持向量機(jī)、生成式模型、圖半監(jiān)督等。
【參考文獻(xiàn)】

相關(guān)期刊論文 前7條

1 張敏靈;;偏標(biāo)記學(xué)習(xí)研究綜述[J];數(shù)據(jù)采集與處理;2015年01期

2 劉建偉;劉媛;羅雄麟;;半監(jiān)督學(xué)習(xí)方法[J];計(jì)算機(jī)學(xué)報;2015年08期

3 王曉峰;隨婷婷;;基于TIGA_S4VM改進(jìn)算法的蛋白質(zhì)序列識別方法[J];山東大學(xué)學(xué)報(工學(xué)版);2014年01期

4 周志華;;基于分歧的半監(jiān)督學(xué)習(xí)[J];自動化學(xué)報;2013年11期

5 崔鵬;;一種用于半監(jiān)督學(xué)習(xí)的核優(yōu)化設(shè)計(jì)[J];軟件工程師;2013年09期

6 王春瑤;陳俊周;李煒;;超像素分割算法研究綜述[J];計(jì)算機(jī)應(yīng)用研究;2014年01期

7 吳毓龍;袁平波;;密度敏感的距離測度在特定圖像聚類中的應(yīng)用[J];計(jì)算機(jī)工程;2009年06期

相關(guān)博士學(xué)位論文 前1條

1 姜震;基于差異的半監(jiān)督學(xué)習(xí)中有關(guān)算法和理論研究[D];復(fù)旦大學(xué);2012年

相關(guān)碩士學(xué)位論文 前3條

1 馬樹志;基于深度學(xué)習(xí)的肝臟CT影像分割方法的研究與應(yīng)用[D];吉林大學(xué);2017年

2 樊萬姝;基于半監(jiān)督模糊聚類的醫(yī)學(xué)圖像分割系統(tǒng)設(shè)計(jì)[D];大連理工大學(xué);2013年

3 易星;半監(jiān)督學(xué)習(xí)若干問題的研究[D];清華大學(xué);2004年

本文編號：2892790