【摘 要】
:
乳腺癌是女性常见癌症之一,严重影响女性身心健康。计算机辅助诊断(ComputerAided Diagnosis,CAD)模型能有效辅助病理医生临床诊断工作,实现早发现、早诊断、早治疗,为提高人们生活质量奠定重要基础。现有研究工作:一方面,医学样本稀缺,模型易过拟合;另一方面,多使用单类别特征,而未充分挖掘并利用异构图像特征间蕴含的跨模态病理语义,同时忽略不同特征在乳腺癌图像识别中的重要性。为此,提
论文部分内容阅读
乳腺癌是女性常见癌症之一,严重影响女性身心健康。计算机辅助诊断(ComputerAided Diagnosis,CAD)模型能有效辅助病理医生临床诊断工作,实现早发现、早诊断、早治疗,为提高人们生活质量奠定重要基础。现有研究工作:一方面,医学样本稀缺,模型易过拟合;另一方面,多使用单类别特征,而未充分挖掘并利用异构图像特征间蕴含的跨模态病理语义,同时忽略不同特征在乳腺癌图像识别中的重要性。为此,提出基于深度学习与细粒度特征优选的乳腺癌图像识别模型。主要工作如下:(1)基于卷积神经网络的乳腺癌图像识别模型:针对特征学习不充分问题,基于迁移学习方法,用乳腺癌图像数据集对预训练好的卷积神经网络(包括:ResNet、VGGNet和DenseNet)进行微调,生成高层语义特征以刻画乳腺癌图像中的病灶区域,完成乳腺癌图像识别。实验表明:在所有卷积神经网络中,ResNet模型表现最优,尤其在高质量数据集INbreast上其识别精准度较高。但由于只使用单类别特征,卷积神经网络的整体精准度有待提高。(2)基于特征优选算法的乳腺癌图像识别模型:针对特征中存在大量噪声且特征维度过高导致模型过拟合等问题,设计多视角有效区域基因优选(MvERGS)算法,在特征优选中引入多视角,从不同角度去除特征中噪声信息,以提高特征判别性,完成识别任务。实验结果表明:采用MvERGS算法执行特征分量优选后,特征判别性进一步提升,两个数据集上的识别性能均有提升,模型过拟合问题得到一定抑制。此外,由于特征维度降低,模型实用性不断改善。(3)基于细粒度特征优选算法的乳腺癌图像识别模型:针对异构特征间蕴含的跨模信息未充分利用,设计RCA模型:基于MvERGS算法执行特征优选(Refinement,R);通过跨模态相关性分析算法(Correlation,C),挖掘异构特征间的跨模态病理语义,以更好地刻画病灶区域;采用GBDT算法自适应地优选最简洁但高效的特征(Adaptation,A),完成乳腺癌图像识别。实验结果表明:执行细粒度特征优选算法后,图像特征的判别性得到明显改善,RCA模型整体识别性能优于主流基线。同时,模型实时性能提升,它已具备一定实用价值。
其他文献
随着互联网技术和社交网络的快速发展,各种网络平台生成了大量用户针对不同领域的评论文本。这些文本包含着丰富的情感倾向,从中可以发掘互联网用户或消费者对于该事物态度,这些信息无论对个人用户、商家或国家监管部门都有重大意义。在大数据时代,随着技术和硬件设施的不断升级,各种平台的评论文本数据量都以爆炸性增长,只依赖统计学方法已经无法满足日益增长的评论文本情感分析需求,所以如何通过人工智能技术精准高效挖掘评
铁路运输作为一种高效的运输方式,在带动经济发展的同时,给人们的生活带来了极大的便利。相关统计数据显示,在铁路运营过程中,钢轨表面伤损恶化造成的列车运行事故占比较高。因此,对钢轨表面伤损进行准确的检测,具有十分重要的实际应用价值及研究意义。钢轨表面伤损的检测方法可以划分为物理检测方法、基于机器视觉的检测方法两种。其中,物理检测方法操作困难且需要大量人为干预,检测结果具有一定主观性,无法保持检测精度的
作为深度学习主流算法之一,循环神经网络(Recurrent Neural Network,RNN)对处理时序信息具有更敏感更出色的能力。因此,循环神经网络被广泛使用于电信、电力、人机交互等许多传统以及新兴智能领域。然而,在许多应用场景中,资源有限的终端设备难以应用循环神经网络。这主要的原因在于神经网络结构具有较高的计算复杂度,并且需要大量的计算资源以及存储资源。为了解决此问题,研究者提出了许多合理
伴随着资源枯竭和环境污染等问题日益突出,新能源汽车逐渐活跃于大众视野。与传统燃油汽车的驱动装置不同,新能源汽车采用电机集成驱动,电机噪声远小于内燃机噪声,但由于缺失了发动机噪声的掩蔽效应,传动系统产生的振动噪声显得更为突出。为了追求更高的行驶速度,电机高转速输入导致对齿轮传动系统的设计也更加严格,多级齿轮传动系统的振动和噪声成为关注的重点。本文以某款新能源汽车的多级齿轮传动系统为研究对象,以改善多
在生活质量提高的今天,人们对高清晰度图像的需求变高,之前的超分辨率重构方法已不能满足人们对于高质量图像的需求。所以基于深度学习的超分辨率(Super-Resolution,SR)技术被提出来提高图像的质量以满足多领域各人群的需求,其应用价值极为广泛,例如卫星监测、医疗军事、数字媒体,遥感等。近年来,深度学习技术不断发展,卷积神经网络(CNN)在SR重建方面取得很大成功。本文重点研究CNN的单幅图像
图像超分辨作为计算机软件层面的算法,其目的是对图像中的模糊部分进行处理,从而从低分辨率图像中恢复细节信息,重建高分辨率图像。当前,基于卷积神经网络的图像超分辨技术通过对低分辨率图像特征的自主学习,重建的高分辨率图像获得了显著的突破。因此,该类方法受到了国内外学者的广泛关注,并成为现今图像超分辨领域的研究焦点。但图像超分辨是一个高度不适定的问题,同样的一幅高分辨率图像可以通过不同程度的低分辨率图像所
乳腺癌是全球最常见的癌症,其发病率和死亡率居高不下,严重危害着女性的健康。组织病理图像分析是乳腺癌诊断的“黄金标准”,但图像的复杂性和多样性使得病理医生的诊断过程耗时耗力且效率低下。另外,病理医生的经验阅历不同以及分析病理图像时的主观性甚至可能会导致误诊。目前,深度学习在计算机视觉和图像处理等领域崭露头角,也为计算机辅助诊断提供了一种新的思路和途径。本文以苏木精-伊红染色的乳腺组织病理图像数据集为
从水下视频和图像中自动探测和识别鱼类目标对于评估渔业资源、生态环境监测等具有重要意义。但由于水下图像存在着低光照、水体浑浊、海床背景复杂、鱼类姿态多样、目标尺寸变化大、分辨率和对比度低等问题,传统的手工设计特征提取和单纯使用基于CNN的目标检测等算法并不能满足真实水下检测需求。在实现水下鱼类目标检测过程中,首先需要解决水下低分辨率、低质量的鱼类图像问题,以及在得到重建的高分辨率鱼类图像后,鱼类目标