基于深度學(xué)習(xí)的醫(yī)學(xué)圖像模式分類(lèi)研究.pdf

1、現(xiàn)代醫(yī)療科學(xué)技術(shù)的快速發(fā)展，使醫(yī)學(xué)圖像在臨床疾病的診斷中扮演的角色越來(lái)越重，同時(shí)醫(yī)學(xué)圖像的模式也越來(lái)越多樣化，并且醫(yī)學(xué)圖像的整體數(shù)量每天都在呈現(xiàn)指數(shù)式的增長(zhǎng)，這一方面給醫(yī)療疾病的診斷帶來(lái)了可靠的圖像資料數(shù)據(jù)，但是另一方面如何管理儲(chǔ)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(jià)值也成為一個(gè)迫切需要解決的問(wèn)題。因此，醫(yī)學(xué)圖像模式分類(lèi)就成為了實(shí)現(xiàn)現(xiàn)代醫(yī)學(xué)圖像有效管理，存儲(chǔ)，價(jià)值發(fā)掘的重要途徑之一，但是傳統(tǒng)的手工分類(lèi)已經(jīng)不能滿足日益

2、增長(zhǎng)的醫(yī)學(xué)圖像的需求，迫切需要利用現(xiàn)代的信息技術(shù)和計(jì)算機(jī)技術(shù)實(shí)現(xiàn)醫(yī)學(xué)圖像的自動(dòng)分類(lèi)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(jià)值。因此，能夠?qū)崿F(xiàn)醫(yī)學(xué)圖像的有效管理，分類(lèi)的算法成為研究的熱點(diǎn)。
　　本文首先回顧了醫(yī)學(xué)圖像以及醫(yī)學(xué)圖像疾病分類(lèi)的國(guó)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(xué)圖像分類(lèi)算法和基于深度學(xué)習(xí)中的深度信念網(wǎng)絡(luò)、棧式自動(dòng)編碼機(jī)和卷積神經(jīng)網(wǎng)的醫(yī)學(xué)圖像分類(lèi)算法，并對(duì)比分析了分類(lèi)效果。最后提出利用卷積

3、信念網(wǎng)絡(luò)來(lái)克服上述網(wǎng)絡(luò)結(jié)構(gòu)中的不足，并通過(guò)具體的實(shí)驗(yàn)證明了算法的有效性。本文的主要貢獻(xiàn)有:
　　(1)利用圖像處理分析技術(shù)對(duì)醫(yī)學(xué)圖像進(jìn)行分析，并提取了醫(yī)學(xué)圖像的多種不同特征，對(duì)比分析了其在醫(yī)學(xué)圖像分類(lèi)中的應(yīng)用。具體地，對(duì)于醫(yī)學(xué)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(duì)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(jìn)行分類(lèi)，比較各種的不同特征的分類(lèi)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(xué)圖像分類(lèi)方法，首先對(duì)淺層網(wǎng)絡(luò)特征學(xué)習(xí)過(guò)程和受限玻爾茲曼機(jī)、稀疏自動(dòng)編碼機(jī)等淺層網(wǎng)絡(luò)結(jié)構(gòu)模型進(jìn)行了介紹，之后利用乳腺腫瘤X線圖像數(shù)據(jù)庫(kù)MIAS為實(shí)驗(yàn)數(shù)據(jù)，通過(guò)不同的淺層網(wǎng)絡(luò)分別對(duì)該數(shù)據(jù)庫(kù)中病灶區(qū)域進(jìn)行自動(dòng)式的特征提取，得到不同類(lèi)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(lèi)器，對(duì)比分析實(shí)驗(yàn)結(jié)果。
　　(3)研究分析了基于深度學(xué)習(xí)的醫(yī)學(xué)圖像分類(lèi)方法，對(duì)深度學(xué)習(xí)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(dòng)編碼機(jī)、卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行了分析介紹，并提出來(lái)基于深度學(xué)習(xí)的乳腺腫瘤X線圖像分類(lèi)方法以進(jìn)一步提高醫(yī)學(xué)圖像分類(lèi)的準(zhǔn)確性，實(shí)驗(yàn)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(lèi)方法相比，分類(lèi)性能更優(yōu)秀。
　　(4)研究了深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)模對(duì)可擴(kuò)展醫(yī)學(xué)圖像的分類(lèi)性能，并針對(duì)深度信念網(wǎng)絡(luò)對(duì)醫(yī)學(xué)圖像細(xì)節(jié)分類(lèi)不夠敏感的特點(diǎn)和輸入圖像大小受限，提出了卷積置信網(wǎng)絡(luò)對(duì)醫(yī)學(xué)圖像進(jìn)行分類(lèi)的方法，并在LIDC/IDRI肺部圖