论文部分内容阅读
随着医疗影像技术的发展,利用医疗影像进行疾病诊断已经成为各大医院的主要诊断方法。医疗影像诊断需要经验丰富的医生,而这样的医生数量较少,而且仅仅通过人工对大量医疗影像诊断会出现疲劳诊断甚至误诊的情况。随着深度学习技术的发展与应用,利用人工智能进行医疗影像识别受到了学术界的关注。由于医疗影像数据的成像形式特殊,数据集数量少且不易提取影像特征,当前的深度学习算法对医疗影像的识别准确率较低且时间复杂度较高。为了提高医疗影像识别的准确率,本文以皮肤黑色素癌二维皮肤镜影像以及阿尔茨海默症三维大脑核磁影像为例展开研究。主要的研究内容如下:
(1)提出了基于Inception深度残差网络算法(Inception Deep Residual Network, IDRN)用于皮肤黑色素癌分类识别。该算法用Inception结构代替深度残差网络(Residual Network, ResNet)中的卷积池化层,同时整体网络使用SELU激活函数。利用ISIC2017皮肤黑色素癌数据集作为模型的训练集,理论与实验表明,本文提出的IDRN分类算法降低了时间复杂度,提高了识别准确率。
(2)提出了利用 Xception 深度残差网络算法(Xception Deep Residual Network, XDRN)对大脑核磁图像的切片数据进行识别分类。该算法引入Xception网络结构代替IDRN算法中的Inception结构,同时引入全局池化层。并将ADNI大脑核磁数据集进行切片,得到的切片数据根据图像熵选择图像信息大的切片图像作为模型的训练数据集,通过实验表明,提出的XDRN算法在阿尔茨海默症的识别分类任务中准确率有所提高。
(3)提出了基于集成学习的阿尔茨海默症集成学习算法,通过将 ADNI 数据集矢状面、冠状面以及横切面三个方向的切片图像形成三个不同的数据集,利用XDRN算法训练形成三个基分类器,并通过集成学习算法将三个基分类器的结果加权融合。通过实验表明,相比于XDRN算法,提出的集成学习模型的识别准确率得到了进一步提升。
(1)提出了基于Inception深度残差网络算法(Inception Deep Residual Network, IDRN)用于皮肤黑色素癌分类识别。该算法用Inception结构代替深度残差网络(Residual Network, ResNet)中的卷积池化层,同时整体网络使用SELU激活函数。利用ISIC2017皮肤黑色素癌数据集作为模型的训练集,理论与实验表明,本文提出的IDRN分类算法降低了时间复杂度,提高了识别准确率。
(2)提出了利用 Xception 深度残差网络算法(Xception Deep Residual Network, XDRN)对大脑核磁图像的切片数据进行识别分类。该算法引入Xception网络结构代替IDRN算法中的Inception结构,同时引入全局池化层。并将ADNI大脑核磁数据集进行切片,得到的切片数据根据图像熵选择图像信息大的切片图像作为模型的训练数据集,通过实验表明,提出的XDRN算法在阿尔茨海默症的识别分类任务中准确率有所提高。
(3)提出了基于集成学习的阿尔茨海默症集成学习算法,通过将 ADNI 数据集矢状面、冠状面以及横切面三个方向的切片图像形成三个不同的数据集,利用XDRN算法训练形成三个基分类器,并通过集成学习算法将三个基分类器的结果加权融合。通过实验表明,相比于XDRN算法,提出的集成学习模型的识别准确率得到了进一步提升。