面向健康診療的大數(shù)據(jù)深度學習技術研究.pdf

1、當下醫(yī)療行業(yè)存在巨量的影像數(shù)據(jù)，它們對疾病診斷與療效評價具有重要研究意義。本文將糖尿病患者的視網(wǎng)膜眼底圖作為數(shù)據(jù)集，進行深度學習算法的應用研究。在算法上對于糖尿病視網(wǎng)膜病變輔助檢測給予理論依據(jù)和改進建議。
　　卷積神經(jīng)網(wǎng)絡屬于深度學習中處理圖像的核心算法，其基本構建層次包括卷積、池化和全連接。至今，卷積神經(jīng)網(wǎng)絡的研究在多個領域已經(jīng)取得很大進步。但是也有幾點待完全解決的問題。其中一點是通過研究表明一些數(shù)據(jù)集(包括視網(wǎng)膜眼底圖)的不同

2、類別數(shù)量占比差異大、不均衡，導致數(shù)量占比小的類別訓練效果差的問題。二是糖尿病視網(wǎng)膜病變檢測對準確率要求高，而且規(guī)模比較大、模型參數(shù)多。傳統(tǒng)的深層模型在訓練的時候通過反向傳播算法從后層傳到前層的梯度會變的幾乎為零，造成梯度消失。三是對于巨量數(shù)據(jù)集，傳統(tǒng)的訓練方式難以適應。為了盡可能解決此類問題本文主要做了以下工作：
　　1.為了提高模型的泛化能力以及更好的訓練類別不均衡的數(shù)據(jù)集，提出了一種自適應的重采樣方法，并且設計了一種層次模型提

3、高了模型訓練效率。層次模型包括卷積層數(shù)目分別為8、11、13層的AlexNet和VGGNet的改進模型。實驗表明通過自適應重采樣方法對數(shù)據(jù)集進行動態(tài)平衡以及對模型的優(yōu)化和改進，模型分類評價指標Kappa系數(shù)、分類準確度以及收斂速度都有很大提高，其中Kappa系數(shù)（模型一致性檢驗指標）達到0.80。
　　2.為了提高糖尿病視網(wǎng)膜病變的檢測能力，提出了一種基于二維圖像的均方特征融合優(yōu)化算法。設計了一種基于殘差網(wǎng)絡（Residual N

4、etwork）的全卷積網(wǎng)絡結構，相比全連接層能減少參數(shù)，而且在盡量避免梯度消失的情況下構建更深的層次。本文對模型最后的卷積層進行特征提取，然后分別對特征圖進行批量二次方疊加融合，最后取其均值作為二次檢測的輸入數(shù)據(jù)。通過在Kaggle大數(shù)據(jù)平臺上提供的糖尿病視網(wǎng)膜眼底數(shù)據(jù)集進行訓練與測試，Kappa系數(shù)在之前的基礎上再次提高了四個百分點，分類準確度提高五個百分點。
　　3.為了解決大數(shù)據(jù)下的深度學習問題，基于大數(shù)據(jù)計算框架實現(xiàn)了分布