基于深度學習的醫(yī)學圖像模式分類研究.pdf

1、現(xiàn)代醫(yī)療科學技術(shù)的快速發(fā)展，使醫(yī)學圖像在臨床疾病的診斷中扮演的角色越來越重，同時醫(yī)學圖像的模式也越來越多樣化，并且醫(yī)學圖像的整體數(shù)量每天都在呈現(xiàn)指數(shù)式的增長，這一方面給醫(yī)療疾病的診斷帶來了可靠的圖像資料數(shù)據(jù)，但是另一方面如何管理儲存這些圖像數(shù)據(jù)以及如何更好的發(fā)掘利用好這些圖像數(shù)據(jù)本身的價值也成為一個迫切需要解決的問題。因此，醫(yī)學圖像模式分類就成為了實現(xiàn)現(xiàn)代醫(yī)學圖像有效管理，存儲，價值發(fā)掘的重要途徑之一，但是傳統(tǒng)的手工分類已經(jīng)不能滿足日益

2、增長的醫(yī)學圖像的需求，迫切需要利用現(xiàn)代的信息技術(shù)和計算機技術(shù)實現(xiàn)醫(yī)學圖像的自動分類管理，有效信息發(fā)掘等，從而提高管理效率和其本身的利用價值。因此，能夠?qū)崿F(xiàn)醫(yī)學圖像的有效管理，分類的算法成為研究的熱點。
　　本文首先回顧了醫(yī)學圖像以及醫(yī)學圖像疾病分類的國內(nèi)外發(fā)展現(xiàn)狀，之后分別研究了基于傳統(tǒng)特征提取方法的醫(yī)學圖像分類算法和基于深度學習中的深度信念網(wǎng)絡(luò)、棧式自動編碼機和卷積神經(jīng)網(wǎng)的醫(yī)學圖像分類算法，并對比分析了分類效果。最后提出利用卷積

3、信念網(wǎng)絡(luò)來克服上述網(wǎng)絡(luò)結(jié)構(gòu)中的不足，并通過具體的實驗證明了算法的有效性。本文的主要貢獻有:
　　(1)利用圖像處理分析技術(shù)對醫(yī)學圖像進行分析，并提取了醫(yī)學圖像的多種不同特征，對比分析了其在醫(yī)學圖像分類中的應(yīng)用。具體地，對于醫(yī)學圖像中的紋理特征主要提取了局部二值化模式特征和利用灰度共生矩陣方法提取不同矩陣屬性值的特征。對于基于局部特征的主要提取了SIFT特征，并利用傳統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)算法進行分類，比較各種的不同特征的分類精度。

4、>　　(2)研究分析基于淺層網(wǎng)絡(luò)結(jié)構(gòu)模型的醫(yī)學圖像分類方法，首先對淺層網(wǎng)絡(luò)特征學習過程和受限玻爾茲曼機、稀疏自動編碼機等淺層網(wǎng)絡(luò)結(jié)構(gòu)模型進行了介紹，之后利用乳腺腫瘤X線圖像數(shù)據(jù)庫MIAS為實驗數(shù)據(jù)，通過不同的淺層網(wǎng)絡(luò)分別對該數(shù)據(jù)庫中病灶區(qū)域進行自動式的特征提取，得到不同類圖像的特征，再將這些特征與利用圖像處理方法得到的特征結(jié)合輸入神經(jīng)網(wǎng)絡(luò)分類器，對比分析實驗結(jié)果。
　　(3)研究分析了基于深度學習的醫(yī)學圖像分類方法，對深度學習的三

5、種網(wǎng)絡(luò)結(jié)構(gòu)模型-深度信念網(wǎng)絡(luò)、棧式自動編碼機、卷積神經(jīng)網(wǎng)絡(luò)進行了分析介紹，并提出來基于深度學習的乳腺腫瘤X線圖像分類方法以進一步提高醫(yī)學圖像分類的準確性，實驗結(jié)果證明，與傳統(tǒng)的基于特征提取的神經(jīng)網(wǎng)絡(luò)分類方法相比，分類性能更優(yōu)秀。
　　(4)研究了深度學習網(wǎng)絡(luò)結(jié)構(gòu)模對可擴展醫(yī)學圖像的分類性能，并針對深度信念網(wǎng)絡(luò)對醫(yī)學圖像細節(jié)分類不夠敏感的特點和輸入圖像大小受限，提出了卷積置信網(wǎng)絡(luò)對醫(yī)學圖像進行分類的方法，并在LIDC/IDRI肺部圖