面向医学图像分析的深度学习方法研究

论文摘要

医学图像分析是医学研究、诊断和治疗中必不可少的技术手段和工具,其主要作用是从医学图像中提取隐含的重要生理、病理信息或知识,因而其重要性和难度均很大。深度学习已显示出在挖掘海量、高维数据的内在结构等方面的突出能力,但目前基于深度学习的医学图像分析方面的研究工作和成果还较少。因此,本文以黑色素瘤皮肤镜图像、2D Hela荧光显微镜图像、外周血涂片白细胞显微镜图像、宫颈阴道镜图像等几种重要且典型的医学图像为对象,从图像预处理、训练集扩增、深度神经网络结构选择与改进、图像分析效果评价等方面,对面向医学图像分析的深度学习方法进行了较系统、全面的研究,具体工作和成果主要如下:1)研究了一种用于黑色素瘤图像自动分析（特征学习和分割）的改进CNN（Convolutional Neural Networks,卷积神经网络）结构,以更好地区分难辨病变如色素斑点痣与临床待定病变,减少筛查错误和提高皮肤癌诊断的准确率。其要点是:利用非线性激活函数ReLU和ELU来有效地缓解梯度消失问题;利用RMSprop和Adam优化与损失算法,以实现更快速地收敛;最后在卷积层与激活层之间增加了批归一化层（Batch Normalization,简称BN）,以解决梯度消失和爆炸的问题。实验证明,该分割方法可以使用较小的训练集,以更短的训练和推理时间获得较好的分割结果。2)研究了基于GoogleNet的卷积神经网络的皮肤病变图像分类方法。为了解决训练数据集不平衡问题,主要使用数据层面的预处理方法,采用了欠抽样（减少样本数）处理方法,实现了类间的基本平衡,从而使皮肤病变图像分类的平均精确率（precision）达到了89%,平均召回率为88%,F1-score为88%,与SegNet和FCN等深度学习方法相比均有明显提高。3)研究了基于CapsNet-Hela网络模型的亚细胞图像数据分类预测方法。所用的胶囊层有36个胶囊,可以有更多的空间存储额外的有用信息以便提取特征。一致性路由可以将有用的信息传递给下一层,同时丢弃掉可能使结果中存在噪声的数据;实验结果表明,使用3次路由迭代的效果较好,利用CapsNet-Hela网络模型对图像数据集的分类准确率（accuracy）达到了93.08%,与基于局部二值模式（Local Binary Patterns）的SVM方法和基于Haralick的SVM方法相比,均有明显提高。4)研究了基于CapsNet-WBC网络模型对外周血涂片白细胞图像的嗜酸细胞、淋巴细胞、单核细胞、中性粒细胞等四种主要类型进行分割、分类的方法。首先,使用卷积神经网络对白细胞（white blood cell,WBC）图像进行分割处理;然后,建立并利用CapsNet-WBC网络模型,对分割后的WBC图像进行分类和预测。实验结果表明,本文所提方法对WBC图像测试集的分类准确率（test set accuracy）为85%,训练集的分类准确率（train set accuracy）为99%,较其他方法有明显提高,因而有望应用于较大规模WBC图像的自动处理。5)研究了利用两种深度学习模型级联,实现宫颈图像自动分类的方法。具体分为三个步骤:首先,使用类似U-Net卷积神经网络对6692个宫颈图像进行分割预处理;其次,对分割预处理后的宫颈图像进行数量扩增;最后,使用CapsNet-Cervix网络模型对扩增后的40152个宫颈图像实现分类,并使用额外的重构损失（reconstruction loss）来促进DigitCaps层对输入图像进行编码。实验中上述方法获得了高于其他传统机器学习方法的分类准确率:测试集分类准确率（test set accuracy）为80.1%,训练集准确率（train set accuracy）为99%;而且在完成模型训练后,可以在较短时间内完成海量图像的即时分割和分类预测。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
•   1.1 研究背景及意义
•   1.2 医学图像分析研究现状
•   1.3 主要研究内容
•   1.4 论文组织结构
• 第二章 医学图像分析基础
•   2.1 无监督方法
•     2.1.1 K均值聚类
•     2.1.2 模糊C均值聚类
•   2.2 监督方法
•     2.2.1 支持向量机
•     2.2.2 随机森林
•   2.3 概率方法
•     2.3.1 马尔可夫随机场
•     2.3.2 条件随机场
•   2.4 深度卷积神经网络
•     2.4.1 多层神经网络
•     2.4.2 卷积神经网络
•   2.5 常用的卷积神经网络架构
•     2.5.1 LeNet-5
•     2.5.2 AlexNet
•     2.5.3 ZFNet
•     2.5.4 VGGNet
•     2.5.5 GoogleNet
•     2.5.6 ResNet
•     2.5.7 全卷积神经网络
•   2.6 本章小结
• 第三章 使用深度卷积神经网络的皮肤黑色素瘤图像分割
•   3.1 引言
•   3.2 卷积神经网络方法研究
•   3.3 皮肤黑色素瘤图像分割方法的改进与实验
•     3.3.1 数据集的准备
•     3.3.2 黑色素瘤图像分割神经网络的结构优化和参数设置
•   3.4 实验结果评价和讨论
•   3.5 本章小结
• 第四章 基于分割预处理和深度学习的皮肤病变图像分类
•   4.1 引言
•   4.2 皮肤病变图像分类方法研究
•   4.3 皮肤病变图像分类方法的改进与实现
•     4.3.1 数据集的准备
•     4.3.2 皮肤病变图像分割预处理
•     4.3.3 皮肤病变分类网络模型的架构优化和参数设置
•   4.4 实验结果评价和讨论
•   4.5 本章小结
• 第五章 基于CapsNet-Hela神经网络的2D HeLa细胞荧光显微图像分类
•   5.1 引言
•   5.2 CapsNet模型方法研究
•     5.2.1 胶囊单元间的传播过程
•     5.2.2 动态路由算法
•     5.2.3 胶囊网络的损失函数
•   5.3 2D Hela图像集分类方法的改进与实验
•     5.3.1 2 D HeLa图像集准备和预处理
•     5.3.2 2 D HeLa图像分类
•   5.4 实验结果评价和讨论
•     5.4.1 实验结果评价
•     5.4.2 对损失函数的讨论
•     5.4.3 对路由迭代次数的讨论
•   5.5 本章小结
• 第六章 基于图像分割预处理与CapsNet-WBC网络模型的白细胞图像分类
•   6.1 引言
•   6.2 白细胞图像分割与分类的方法研究、改进与实验
•     6.2.1 白细胞图像数据源的获取
•     6.2.2 卷积神经网络与白细胞图像分割预处理
•     6.2.3 白细胞图像分类模型的改进与实验
•   6.3 实验结果评价和讨论
•     6.3.1 实验结果评价
•     6.3.2 对损失函数的讨论
•     6.3.3 与其他方法的比较
•   6.4 本章小结
• 第七章 基于深度神经网络模型的宫颈图像分类
•   7.1 引言
•   7.2 宫颈图像分类的方法研究、改进与实验
•     7.2.1 宫颈图像分类的基本流程
•     7.2.2 宫颈图像数据源
•     7.2.3 宫颈图像分割预处理
•     7.2.4 CapsNet神经网络结构改进与宫颈图像分类
•   7.3 实验结果评价和讨论
•   7.4 本章小结
• 第八章 总结和展望
•   8.1 总结
•   8.2 展望
• 参考文献
• 致谢
• 附录 A 攻读博士学位期间发表的论文
• 附录 B 攻读博士学位期间主持与参与的项目

文章来源

类型: 博士论文

作者: 张笑青

导师: 赵曙光

关键词: 医学图像分析,人工智能,深度学习,卷积神经网络,胶囊神经网络

来源: 东华大学

年度: 2019

分类: 基础科学,医药卫生科技,信息科技

专业: 生物学,生物医学工程,计算机软件及计算机应用,自动化技术

单位: 东华大学

分类号: R318;TP391.41;TP18

DOI: 10.27012/d.cnki.gdhuu.2019.000550

总页数: 144

文件大小: 7433K

下载量: 582