论文部分内容阅读
近年来,深度学习在图像处理领域的发展为前列腺癌的诊断提供了更优的方法,相较于传统的前列腺癌诊断方法,通过分析具有组织分辨率高,内部结构明显等优点的MRI进行前列腺癌的检测不仅无创,且误诊率与漏诊率较低。使用深度学习算法对MRI分析对专业医学知识没有过多的依赖,且能够节省医师大量的手动解释时间。因此,深度学习在前列腺癌诊断中应用的研究具有重要意义。本文以卷积神经网络算法为基础,深入分析前列腺MRI特点,深入研究卷积神经网络优化方法和多模态深度特征融合算法,主要研究工作如下:(1)针对深度学习诊断前列腺MRI时容易受干扰的问题,根据传统的前列腺MRI分析方法步骤,设计由前后网络串联组成的级联卷积神经网络作为总体架构。通过具有区域提取功能的Faster-RCNN作为前网络,对配准后的多模态图像数据实现前列腺区域的提取以排除干扰,通过基于移动最小二乘法的刚性图像变换算法实现数据集增广,为用于分类诊断的后网络研究提供数据基础。(2)针对深度学习训练时间长且参数量大的现有问题,提出一种基于ResNet优化的分类卷积神经网络。该网络使用瓶颈结构串联组成以增加网络梯度传递效率,降低参数量,通过批量标准化、全局平均池化避免过拟合,降低网络参数,提高分类性能。通过实验对比验证,本文网络在分类性能与时效性上的具有优势。(3)针对深度学习在分类场景中没有充分利用MRI提供的大量数据信息的现状,提出选择性多模态深度特征融合算法。该算法在现有的通过两个卷积神经网络并行训练,分别提取T2加权像和ADC像的特征,并加权相加所得决策级深度信息与特征级深度信息作为损失函数的多模态深度特征融合算法上,提出在特征级深度信息前引入判断条件,以避免干扰。通过实验对比验证,该方法能进一步提升多模态深度特征融合算法的分类性能。