论文部分内容阅读
精准医疗是目前深度学习在医疗领域中的一项重要应用,它通过深度学习方法对病灶部位进行处理,获取精确的处理结果,进而辅助医生对病人的病情进行诊断和后续治疗。慢性创面是典型的慢性疾病,难以短期治愈,往往占用大量医疗资源。这给病人造成身体上和精神上的巨大伤害,也加重医生的工作量。如果能实现慢性创面的精准医疗,就可以减轻病人的痛苦,减少医疗资源的浪费,减轻医生的工作量。为了实现这个目标,需要对慢性创面区域实现准确分割与识别。本文为了实现慢性创面区域准确分割与识别这一目标,提出了一个基于深度神经网络的慢性创面图像分割与识别的系统化方法。具体工作可以概括为以下三个方面:(1)提出了基于GANs的慢性创面图像生成器。针对慢性创面图像数据集数量不足而导致慢性创面区域分割与识别准确率低的问题,本文提出了一个基于GANs的慢性创面图像生成器解决。它包含两个深度神经网络:一个生成慢性创面图像的生成器网络D以及一个判别是否为生成器网络D生成的慢性创面图像的判别器网络G。这两个网络对抗训练,达到平衡时获得慢性创面图像生成结果图像。该结果图像可以用于扩充后续分割与识别网络的训练集。实验结果表明,该方法与传统图像数据增强方法联合使用可以获得更好的分割与识别结果。(2)提出了基于U-net的慢性创面图像分割与识别网络U-net-Connected。针对U-net在下采过程中造成图像信息丢失的问题,U-net-Connected通过在收缩路径上将上层网络信息与下层网络信息连接起来,并在扩张路径上融合多层次特征图解决。同时U-net-Connected利用带洞卷积操作的优势,从而大大提升了慢性创面图像分割与识别的准确率。实验结果表明,本文提出的U-net-Connected在慢性创面图像分割与识别任务中准确率确实超过其他图像分割与识别网络。(3)提出了基于全连接CRF的慢性创面图像分割与识别后处理方法。该方法将多层得分图与全连接CRF算法结合,克服了单一得分图作为全连接CRF算法输入信息不足的困难,解决了使用U-net-Connected分割与识别慢性创面图像后部分结果误差大的问题。实验结果表明,本文提出的慢性创面图像分割与识别后处理方法可以解决部分U-net-Connected网络分割与识别慢性创面图像结果出现的分割精度不足或分割错误的情况。