本文關(guān)鍵詞：基于多尺度空間金字塔集成的乳腺影像腫塊檢測(cè)方法研究

  更多相關(guān)文章： 乳腺癌 多尺度空間金字塔集成 深度卷積神經(jīng)網(wǎng)絡(luò) 多目標(biāo)遺傳算 特征選擇 特征學(xué)習(xí)

【摘要】：近年來(lái),隨著人們生活水平的不斷提高,人們對(duì)身體的健康越來(lái)越關(guān)注,這使得醫(yī)生的工作負(fù)擔(dān)也越來(lái)越重,尤其對(duì)于放射科醫(yī)生來(lái)說(shuō)大量的檢查不但加重他們的工作量更會(huì)降低檢查的準(zhǔn)確率。而醫(yī)學(xué)影像技術(shù)的迅速發(fā)展,使人體各部位的觀察更直接、更清晰,這為醫(yī)學(xué)影像的計(jì)算機(jī)輔助診斷提供了更優(yōu)厚的條件。本文在前人研究的基礎(chǔ)上,對(duì)乳腺X射線影像完成了以下工作:1.針對(duì)乳腺X射線影像中對(duì)可疑的病灶區(qū)域的選取以及檢測(cè)問(wèn)題,本文提出了一種基于多尺度空間金字塔集成的乳腺X射線影像中的腫塊檢測(cè)方法。首先,對(duì)目標(biāo)影像進(jìn)行多尺度切分處理,當(dāng)?shù)玫礁鱾�(gè)尺度的子圖像塊后,對(duì)子圖像塊提取特征,輸入進(jìn)選好的分類器中對(duì)數(shù)據(jù)進(jìn)行分類,最后將分類器輸出的結(jié)果采取集成操作,得到最終的可疑病變區(qū)域,方便后續(xù)精確檢測(cè)。2.在本文第一部分運(yùn)用了多尺度劃分對(duì)整幅圖像進(jìn)行切分后,含有腫塊的區(qū)域相比于正常區(qū)域的子圖像塊數(shù)量上較少,這便存在數(shù)據(jù)不平衡的問(wèn)題導(dǎo)致分類結(jié)果中出現(xiàn)假陽(yáng)性,所以,為了降低腫塊檢測(cè)的假陽(yáng)性,本章將多目標(biāo)遺傳算法引入到腫塊檢測(cè)中,本文提出了一種基于多目標(biāo)遺傳算法和空間金字塔的的乳腺X射線影像中的腫塊檢測(cè)方法。在對(duì)圖像進(jìn)行多尺度空間金字塔切分處理之后,提取每個(gè)切片的特征,再利用多目標(biāo)遺傳算法對(duì)初級(jí)特征進(jìn)行特征選擇,解決了乳腺X射線影像中可疑的病灶區(qū)域與正常區(qū)域存在數(shù)量不平衡的問(wèn)題,并降低了腫塊檢測(cè)的虛檢率。3.針對(duì)乳腺影像中可疑的病灶區(qū)域的特征與背景區(qū)域的特征的差異性不是很大,依舊基于第一個(gè)創(chuàng)新點(diǎn),本文提出了一種基于深度卷積神經(jīng)網(wǎng)絡(luò)和空間金字塔的乳腺X射線影像中的腫塊檢測(cè)方法。我們深度卷積神經(jīng)網(wǎng)絡(luò)(CNN)引入到腫塊檢測(cè)中,并且結(jié)合多尺度空間金字塔,訓(xùn)練一個(gè)CNN絡(luò)模型,讓它學(xué)習(xí)到各個(gè)尺度子圖像塊的高級(jí)特征,實(shí)現(xiàn)了一種基于CNN網(wǎng)絡(luò)和多尺度空間金字塔集成方法來(lái)解決乳腺影像中腫塊的檢測(cè)問(wèn)題。
【關(guān)鍵詞】：乳腺癌 多尺度空間金字塔集成 深度卷積神經(jīng)網(wǎng)絡(luò) 多目標(biāo)遺傳算 特征選擇 特征學(xué)習(xí)
【學(xué)位授予單位】：西安電子科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類號(hào)】：TP391.41;R737.9
【目錄】：

• 摘要5-6
• ABSTRACT6-9
• 縮略語(yǔ)對(duì)照表9-12
• 第一章 緒論12-18
• 1.1 課題研究背景與意義12-13
• 1.2 醫(yī)學(xué)影像處理方法的研究進(jìn)展13-14
• 1.3 乳腺疾病影像學(xué)基礎(chǔ)及影像學(xué)表現(xiàn)14-15
• 1.3.1 常規(guī)X射線成像原理14-15
• 1.3.2 乳腺癌的影像學(xué)表現(xiàn)15
• 1.4 論文的主要工作和內(nèi)容安排15-18
• 第二章 基于多尺度空間金字塔集成的乳腺影像腫塊檢測(cè)18-32
• 2.1 引言18-19
• 2.2 醫(yī)學(xué)影像的特征提取方法19-24
• 2.2.1 灰度共生矩陣19-21
• 2.2.2 灰度-梯度共生矩陣21-23
• 2.2.3 Hu矩23-24
• 2.3 多尺度空間金字塔集成24-26
• 2.3.1 空間金字塔劃分25
• 2.3.2 多尺度集成25-26
• 2.4 基于多尺度空間金字塔集成的乳腺影像腫塊檢測(cè)方法26-28
• 2.4.1 乳腺影像的預(yù)處理26
• 2.4.2 空間金字塔劃分26-27
• 2.4.3 多尺度集成27-28
• 2.5 實(shí)驗(yàn)結(jié)果及分析28-30
• 2.5.1 不平衡數(shù)據(jù)分類評(píng)價(jià)指標(biāo)28
• 2.5.2 實(shí)驗(yàn)結(jié)果與分析28-30
• 2.6 本章小結(jié)30-32
• 第三章 基于多目標(biāo)遺傳算法和空間金字塔的乳腺影像腫塊檢測(cè)32-42
• 3.1 引言32
• 3.2 多目標(biāo)遺傳算法32-36
• 3.2.1 帶精英策略的非支配排序遺傳算法33
• 3.2.2 快速非支配排序法33-34
• 3.2.3 擁擠度比較算子34-35
• 3.2.4 精英策略35-36
• 3.2.5 NSGA-Ⅱ的算法流程36
• 3.3 基于多目標(biāo)遺傳算法和空間金字塔的乳腺影像腫塊檢測(cè)方法36-38
• 3.3.1 空間金字塔劃分37
• 3.3.2 運(yùn)用NSGA-Ⅱ進(jìn)行特征選擇37-38
• 3.3.3 多尺度集成38
• 3.4 實(shí)驗(yàn)結(jié)果及分析38-40
• 3.5 本章小結(jié)40-42
• 第四章 基于深度卷積神經(jīng)網(wǎng)絡(luò)和空間金字塔的乳腺影像腫塊檢測(cè)42-54
• 4.1 引言42
• 4.2 卷積神經(jīng)網(wǎng)絡(luò)42-47
• 4.2.1 稀疏連接43
• 4.2.2 權(quán)重共享43-44
• 4.2.3 最大池采樣44
• 4.2.4 Softmax回歸44-46
• 4.2.5 卷積神經(jīng)網(wǎng)絡(luò)整體架構(gòu)46-47
• 4.3 基于深度卷積神經(jīng)網(wǎng)絡(luò)和空間金字塔的乳腺腫塊檢測(cè)方法47-49
• 4.3.1 空間金字塔劃分48
• 4.3.2 深度卷積神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)模型構(gòu)建48-49
• 4.3.3 多尺度集成49
• 4.4 實(shí)驗(yàn)結(jié)果及分析49-51
• 4.4.1 實(shí)驗(yàn)結(jié)果49-50
• 4.4.2 結(jié)果分析50-51
• 4.5 本章小結(jié)51-54
• 第五章 總結(jié)54-56
• 致謝56-58
• 參考文獻(xiàn)58-62
• 作者簡(jiǎn)介62-63

【相似文獻(xiàn)】

中國(guó)重要會(huì)議論文全文數(shù)據(jù)庫(kù) 前4條

1 奚以成;;多尺度空間數(shù)據(jù)集成快速匹配顯示方法[A];中國(guó)地理信息系統(tǒng)協(xié)會(huì)第四次會(huì)員代表大會(huì)暨第十一屆年會(huì)論文集[C];2007年

2 李宗林;劉瑤;姚興苗;胡光岷;;分布式隱蔽流量異常的多尺度空間檢測(cè)[A];第十一屆保密通信與信息安全現(xiàn)狀研討會(huì)論文集[C];2009年

3 劉吉平;崔煒煒;;別拉洪河流域濕地變化的多尺度空間自相關(guān)分析[A];中國(guó)地理學(xué)會(huì)百年慶典學(xué)術(shù)論文摘要集[C];2009年

4 應(yīng)荷香;;多尺度空間數(shù)據(jù)庫(kù)一致性快速更新的研究[A];第十四屆華東六省一市測(cè)繪學(xué)會(huì)學(xué)術(shù)交流會(huì)論文集[C];2012年

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前5條

1 潘，

本文編號(hào)：1092268