论文部分内容阅读
当今社会个人生活水平不断提高,人们越来越关注自身的健康。在体检时,胸部X线影像分析结果需要等待很长时间,人们希望影像的处理速度在现有的基础上进一步提高。而且,在医疗图像中胸部X线占据重要位置,其数量经常在医疗机构中产生大量的积压,人们急切地需要利用自动化来加速处理胸部X线影像。人工智能系统被应用于高精度胸部X线影像处理中,这使得医院放射科医务人员的工作量得到大量减少,让医务人员可以在相同的时间内医治更多的病人。利用生成对抗网络训练出来的分类器对胸部X线影像进行分类比传统的方法更好。对于胸部X线影像分类研究,当前不存在一种方法可以达到百分之百的准确率。为此,本文提出使用一种基于生成对抗网络的新模型来替代深度卷积神经网络(DCNN)进行分类研究。本文构建了对胸部X线影像分类的基于领域自适应的生成对抗网络(DM-GAN)模型,通过训练模型产生性能优异的分类器。同时,在渐进增长生成器和判别器的网络层中,使用一系列分辨率由低到高的影像进行训练,在训练过程中我们添加新的卷积层,使得模型的细节越来越好。这样训练的效果得到提升,生成器可以生成优秀的胸部X光图像,判别器的分类准确度也可以得到提高。在模型训练中,胸部X线影像数据集分布存在着不平衡的问题,表示健康的正常医疗图像数据规模非常大,而气胸、肺水肿等影像数据规模很小。本文通过向数据集中添加人工合成的医学影像更好地解决了这一限制性问题。采用真实和人工图像的组合训练数据集并用新的训练方法来训练DM-GAN模型,不仅平衡数据集并改善某些种类医疗图像数据的匮乏状况,又能通过更加快速稳定地训练来提高生成的图片质量使得判别器更容易进行区分。本文主要内容如下:首先,介绍本文课题的研究前景,同时介绍与胸部X光分类相关的技术。叙述了什么是生成对抗网络,生成对抗网络的结构和特点。说明了基于生成对抗网络的深度卷积生成对抗网络(DCGAN)在胸部X光图像中的应用过程,以及在处理该问题上面的优点。其次,本文提出对于胸部X光医疗图像分类的基于领域自适应的生成对抗网络(DM-GAN),介绍了DM-GAN的模型结构,并详细叙述了生成模型和判别模型的模型结构,说明了训练的过程。最后,进行对比试验。通过训练DM-GAN产生的分类器效果与由训练DCGAN产生的分类器各自在胸部X光图像分类中的效果进行比较。通过比较,直接展现出DM-GAN在胸部X光应用中具有十分重要的意义,降低了医务工作人员的工作量,减少了人们的等待时间,尤其对于病人而言,进一步降低了病痛对他们的伤害。