X射線具有經(jīng)濟(jì)、快捷的優(yōu)勢(shì),是早期發(fā)現(xiàn)肺結(jié)核、肺炎、氣胸等各類呼吸系統(tǒng)疾病的重要手段,被譽(yù)為現(xiàn)代醫(yī)學(xué)影像的“流量入口”。因此,以覆蓋廣大基層醫(yī)療衛(wèi)生機(jī)構(gòu)的影像設(shè)備—X線為切入點(diǎn),開展基于人工智能的胸部常見病變篩查診斷項(xiàng)目,將會(huì)成為“AI+醫(yī)療健康”惠及大眾的一個(gè)里程碑實(shí)現(xiàn)。其中,如何基于深度學(xué)習(xí)方法提升計(jì)算機(jī)輔助診斷的性能,是當(dāng)前醫(yī)學(xué)圖像和深度學(xué)習(xí)領(lǐng)域研究和亟待解決的重要問題之一。圍繞胸部X線細(xì)粒度輔助診斷場(chǎng)景中存在的網(wǎng)絡(luò)特征學(xué)習(xí)冗余性、數(shù)據(jù)不充分不平衡性、病例信息多元化等關(guān)鍵性問題,本文開展針對(duì)性研究,形成一套應(yīng)用于胸部輔助診斷的有效方法和機(jī)制,主要研究工作和貢獻(xiàn)包括:1.基于ChestX-Net網(wǎng)絡(luò)的胸部X線輔助診斷研究針對(duì)X線胸部病變?cè)\斷中網(wǎng)絡(luò)學(xué)習(xí)冗余性的問題,本文提出ChestX-Net細(xì)粒度診斷網(wǎng)絡(luò),一方面基于通道間的注意力機(jī)制模塊,通過自適應(yīng)重要性學(xué)習(xí),對(duì)每個(gè)特征通道進(jìn)行“特征重標(biāo)定”,另一方面基于雙路并行的全局最大-平均池化結(jié)構(gòu)獲得局部特征的互補(bǔ)信息,減少降維過程中的信息損失。實(shí)驗(yàn)結(jié)果表明,本文ChestX-Net網(wǎng)絡(luò)在14種病變?cè)\斷中均取得最優(yōu)AUC值,平均AUC值達(dá)到... 

【文章來源】：西南科技大學(xué)四川省

【文章頁數(shù)】：67 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

種胸部常見疾病X線圖及其病變區(qū)域，邊界框只用于可視化評(píng)估

第二章相關(guān)技術(shù)及研究現(xiàn)狀7第二章相關(guān)技術(shù)及研究現(xiàn)狀本章主要介紹了醫(yī)學(xué)輔助診斷的國(guó)內(nèi)外研究工作與相關(guān)技術(shù)，為解決胸部X線輔助診斷中存在的一些問題提供研究思路和技術(shù)基礎(chǔ)，主要由四部分構(gòu)成：首先對(duì)本文所使用的深度學(xué)習(xí)關(guān)鍵技術(shù)——卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行了闡述，并介紹了幾種優(yōu)秀的卷積網(wǎng)絡(luò)結(jié)構(gòu)。之后推導(dǎo)了二分類損失交叉熵，隨后介紹了遷移學(xué)習(xí)的相關(guān)研究工作。最后詳細(xì)分析了傳統(tǒng)機(jī)器學(xué)習(xí)輔助診斷方法的不足之處，闡述基于深度學(xué)習(xí)的輔助診斷方法優(yōu)勢(shì)之處，并討論了胸部X線影像常見的多種病變輔助診斷研究工作。2.1神經(jīng)網(wǎng)絡(luò)概述近年來，隨著深度學(xué)習(xí)新范式的興起，在多個(gè)領(lǐng)域中人工智能再一次迎來了新的發(fā)展機(jī)遇。在深度融合交叉的“AI+醫(yī)學(xué)影像”前沿領(lǐng)域中，最核心的算法之一就是神經(jīng)網(wǎng)絡(luò)算法，因此本節(jié)將對(duì)神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行概述。2.1.1人工神經(jīng)網(wǎng)絡(luò)圖2-1單個(gè)神經(jīng)元計(jì)算流程人工神經(jīng)網(wǎng)絡(luò)（ArtificialNeuralNetwork，ANN）是受生物神經(jīng)網(wǎng)絡(luò)啟發(fā)的計(jì)算模型，它模擬了人類生物學(xué)中神經(jīng)元相互連接處理信息的方式，具有信息并行處理和非線性轉(zhuǎn)換的能力。圖2.1顯示了單個(gè)神經(jīng)元的計(jì)算流程。如公式2-1：izfwxb（2-1）其中輸入向量為x，權(quán)重向量為w，偏置為b，激活函數(shù)為f。當(dāng)數(shù)據(jù)輸入神經(jīng)元時(shí)，輸入向量x首先與權(quán)重w做內(nèi)積運(yùn)算，再與偏置b相加，最后通過激活函數(shù)f激

西南科技大學(xué)碩士學(xué)位論文8活。激活函數(shù)f一般為非線性函數(shù)，增強(qiáng)神經(jīng)元擬合非線性映射關(guān)系的能力。圖2-2多層神經(jīng)網(wǎng)絡(luò)深度神經(jīng)網(wǎng)絡(luò)是由多個(gè)神經(jīng)元根據(jù)某種組合形式構(gòu)成的，通常由輸入層，隱藏層，輸出層三部分組成。如圖2-2，以單個(gè)隱藏層的神經(jīng)網(wǎng)絡(luò)為例，網(wǎng)絡(luò)的輸入是特征變量，然后通過隱藏層進(jìn)行非線性變化，實(shí)現(xiàn)特征變量的信息提齲在同一隱藏層中，神經(jīng)元相互獨(dú)立不連接，而在相鄰層之間的神經(jīng)元兩兩相連，上層神經(jīng)元的輸出會(huì)成為下層神經(jīng)元的輸入，再與神經(jīng)元的權(quán)重矩陣做內(nèi)積運(yùn)算。最后一層被稱作網(wǎng)絡(luò)輸出層，根據(jù)分類或回歸任務(wù)的需要，輸出離散或連續(xù)變量的預(yù)測(cè)。隱藏層的計(jì)算公式如下所示，設(shè)神經(jīng)網(wǎng)絡(luò)的層數(shù)為i，則第i-1層神經(jīng)元的輸出1的輸出與第i層神經(jīng)元的輸出表達(dá)關(guān)系的公式如下。ii(i1)izWab（2-2）()iiiafz（2-3）2.1.2卷積神經(jīng)網(wǎng)絡(luò)人工神經(jīng)網(wǎng)絡(luò)中的神經(jīng)元以全連接的方式連接，因此隨網(wǎng)絡(luò)層數(shù)的加深，網(wǎng)絡(luò)參數(shù)權(quán)重?cái)?shù)量將趨于幾何增加的趨勢(shì)，導(dǎo)致諸如訓(xùn)練耗時(shí)、過度擬合等問題。卷積神經(jīng)網(wǎng)絡(luò)是神經(jīng)網(wǎng)絡(luò)模型的延伸，引入了局部連接、權(quán)值共享等機(jī)制，有效減少網(wǎng)絡(luò)參數(shù)量，避免了全連接網(wǎng)絡(luò)的諸多問題，在一定程度上對(duì)過擬合問題進(jìn)行了抑制。因此卷積神經(jīng)網(wǎng)絡(luò)在深度學(xué)習(xí)領(lǐng)域中應(yīng)用廣泛、成果頗多，其結(jié)構(gòu)主要由卷積層和池化層組成[1]，其中囊括了感受野（ReceptiveField）、特征通道（Channel）、卷積核（也被稱為濾波器）、特征圖（FeatureMap）、激活函數(shù)（ActivationFunction）等幾個(gè)重要概念，下面將對(duì)卷

【參考文獻(xiàn)】：
期刊論文
[1]深度學(xué)習(xí)骨齡評(píng)測(cè)系統(tǒng)對(duì)貴州省兒童及青少年骨齡測(cè)評(píng)的準(zhǔn)確性[J]. 劉宗才,吳錦華,王榮品,劉昌杰,曾憲春.  中國(guó)醫(yī)學(xué)影像技術(shù). 2019(12)
[2]基于深度遷移學(xué)習(xí)的肺結(jié)節(jié)輔助診斷方法[J]. 張馳名,王慶鳳,劉志勤,黃俊,周瑩,劉啟榆,徐衛(wèi)云.  計(jì)算機(jī)工程. 2020(01)
[3]基于深度學(xué)習(xí)的X線診斷乳腺癌研究進(jìn)展[J]. 聶貞慧,劉麗東,蘇丹柯.  中國(guó)醫(yī)學(xué)影像技術(shù). 2019(05)
[4]人工智能輔助診斷技術(shù)在低劑量CT肺結(jié)節(jié)篩查中的應(yīng)用及質(zhì)控[J]. 金晨望,郭佑民.  中華放射學(xué)雜志. 2019 (01)
[5]醫(yī)學(xué)影像人工智能進(jìn)入深水區(qū)后的思考[J]. 蕭毅,劉士遠(yuǎn).  中華放射學(xué)雜志. 2019 (01)
[6]人工智能技術(shù)在醫(yī)學(xué)影像中的應(yīng)用討論[J]. 蕭毅,夏晨,張榮國(guó),劉士遠(yuǎn).  第二軍醫(yī)大學(xué)學(xué)報(bào). 2018(08)
[7]孤立性肺結(jié)節(jié)良惡性判斷數(shù)學(xué)預(yù)測(cè)模型的建立[J]. 李運(yùn),陳克終,隋錫朝,卜梁,周足力,楊帆,劉彥國(guó),趙輝,李劍鋒,劉軍,姜冠潮,王俊.  北京大學(xué)學(xué)報(bào)(醫(yī)學(xué)版). 2011(03)

博士論文
[1]基于多語義任務(wù)與多標(biāo)簽增量學(xué)習(xí)的胸部影像輔助診斷方法研究[D]. 王慶鳳.中國(guó)科學(xué)技術(shù)大學(xué) 2019



本文編號(hào)：3270284