论文部分内容阅读
目的:将基于深度卷积神经网络的目标检测方法应用到肝囊型包虫病CT图像处理中,研究激活函数,正则化以及Batch_Size对目标检测性能的影响,实现肝包虫病灶的自动检测,单独分析病灶区域特征,从而提高影像图像有效信息量的自动获取,改善影像设备的诊断效能,同时,完善肝包虫病计算机辅助诊断系统的研发。方法:为了更快更有效的检测二维CT图像中囊型肝包虫病病灶区域的准确位置以及类别分类精度,本研究搭建深度学习目标检测SSD模型。首先采集单囊型和多子囊型肝包虫病CT图像,采用数据增强技术扩增数据集得到3000张图片,对扩增后得到的图像进行灰度尺寸归一、中值滤波去燥和图像增强等预处理。使用LabelImg图像标注工具标注数据,制作肝包虫病数据集。针对SSD原模型初始训练后测试结果存在的问题,本研究对模型的激活函数和正则化方法进行改进,进一步优化模型,提高模型检测性能。首先,改进方法对比Tanh、ReLU和ELU三种激活函数,研究不同激活函数对模型性能的影响。然后使用L1和L2两种方法训练模型并检测其性能,研究正则化方法对模型性能的影响。最后,其他变量固定不变条件下,分别设Batch_Size值为8、16和32训练模型,探究这三种Batch_Size值对模型检测性能的影响程度。最终,结合所有改进方法构建的模型进行训练,对比初始模型和改进后模型的病灶检测能力,利用均值平均精度mAP(AP_VOC07)评价指标评估模型病灶检测性能。结果:(1)使用SSD原模型初始训练后,在肝包虫病VOC测试数据集上进行测试,模型测试mAP值为62.0%。(2)采用Tanh、ReLU和ELU激活函数后的测试mAP值分别为53.8%、77.9%和83.2%。(3)采用L2和L1两种正则化方法测试得到模型mAP值分别为77.9%和81.2%。(4)当Batch_Size设为32、16、8时模型测试mAP值分别为62.0%、75.2%和77.9%。(5)最终训练设Batch_Size为8,结合ELU激活函数和L1正则化方法的改进后模型,测试mAP值为84.4%。结论:本研究通过大量实验验证得出,肝囊型包虫病CT图像病灶检测中,采用ELU激活函数、L1正则化方法和Batch_Size设为8时模型的检测性能最优,改进优化后的模型性能比改进优化前的模型在检测精度上有所提高,改进后模型具有较好的病灶检测能力。同时,此项研究实现了肝囊型包虫病CT图像病灶检测系统界面的设计与开发,为肝包虫病计算机辅助诊断系统的研发奠定了基础。