全世界每年有幾千萬人遭受骨折、骨骼退化等肌骨骼疾病的困擾,專業(yè)醫(yī)生需要根據(jù)多年積累的豐富經(jīng)驗(yàn),對發(fā)病部位的X光片進(jìn)行診斷,工作壓力較大、效率低且經(jīng)驗(yàn)欠缺的醫(yī)生容易出現(xiàn)誤診等。隨著科技水平的不斷發(fā)展,人工智能技術(shù)已經(jīng)應(yīng)用到了輔助醫(yī)療的多個(gè)領(lǐng)域,為了推動(dòng)骨骼X光片自動(dòng)診斷系統(tǒng)的研發(fā),2018年斯坦福大學(xué)發(fā)布了全世界最大的骨骼X光片數(shù)據(jù)集(MURA數(shù)據(jù)集)。目前,在此數(shù)據(jù)集上發(fā)布的結(jié)果基本都采用基于深度神經(jīng)網(wǎng)絡(luò)的分類方法,本文在此數(shù)據(jù)集的基礎(chǔ)上,嘗試采用傳統(tǒng)計(jì)算機(jī)視覺和分類方法,并給出具有借鑒意義的參照結(jié)果。另外,原始數(shù)據(jù)只給出了一幅X光片中是否存在骨骼異常,但沒有給出異常的具體位置、嚴(yán)重程度等精確信息,通過較長時(shí)間的手工標(biāo)定工作,生成了骨骼異常位置檢測數(shù)據(jù)集,為進(jìn)一步的研究工作奠定基礎(chǔ)。本文的主要工作包括:(1)基于傳統(tǒng)計(jì)算機(jī)視覺的X光片分類方法首先利用圖像處理方法對原始圖像進(jìn)行增強(qiáng),然后提取了LBP、HOG等視覺特征,然后利用PCA、LDA等特征降維方法,最后給出了RF、XGBoost等分類方法在不同參數(shù)下的分類結(jié)果。(2)異常部位標(biāo)定通過本人檢測、尋求專家?guī)椭鷻z測等方式對原始MURA數(shù)...

【文章頁數(shù)】：80 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
abstract
第一章 引言
    1.1 背景
    1.2 研究現(xiàn)狀
    1.3 研究目的和意義
    1.4 本文結(jié)構(gòu)
第二章 傳統(tǒng)圖像分類和目標(biāo)檢測方法概述
    2.1 圖像分類常用框架
        2.1.1 圖像預(yù)處理
        2.1.2 特征提取
        2.1.3 特征變換和選擇
        2.1.4 分類
    2.2 目標(biāo)檢測常用框架
    2.3 特征提取方法概述
    2.4 分類方法概述
    2.5 本章小結(jié)
第三章 骨骼圖像異常分類方法研究
    3.1 圖像預(yù)處理
    3.2 特征提取和分類設(shè)計(jì)
        3.2.1 特征提取
        3.2.2 分類設(shè)計(jì)
    3.3 實(shí)驗(yàn)結(jié)果和分析
        3.3.1 數(shù)據(jù)集介紹
        3.3.2 實(shí)驗(yàn)結(jié)果和分析
    3.4 本章小結(jié)
第四章 骨骼異常區(qū)域精確定位方法研究
    4.1 數(shù)據(jù)集的標(biāo)定
        4.1.1 數(shù)據(jù)集標(biāo)定的工具
        4.1.2 數(shù)據(jù)集標(biāo)定的結(jié)果
    4.2 基于滑動(dòng)窗口的異常區(qū)域檢測方法
        4.2.1 訓(xùn)練集的產(chǎn)生
        4.2.2 窗口的選擇和設(shè)定
        4.2.3 窗口圖像塊的分類方法
    4.3 實(shí)驗(yàn)結(jié)果與分析
        4.3.1 基于全部數(shù)據(jù)集的實(shí)驗(yàn)結(jié)果
        4.3.2 基于部分?jǐn)?shù)據(jù)集的實(shí)驗(yàn)結(jié)果
    4.4 本章小結(jié)
第五章 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
致謝
參考文獻(xiàn)



本文編號：3766148