基于卷積神經(jīng)網(wǎng)絡(luò)的醫(yī)學(xué)圖像癌變識(shí)別研究.pdf

1、醫(yī)學(xué)成像技術(shù)與相關(guān)圖像識(shí)別算法的快速發(fā)展反映了人們對(duì)醫(yī)學(xué)信息獲取的強(qiáng)烈需求。醫(yī)學(xué)圖像能夠提供豐富的信息，在醫(yī)學(xué)診斷中的作用日益凸顯。計(jì)算機(jī)識(shí)別算法能夠克服人工識(shí)別易受認(rèn)知能力、主觀經(jīng)驗(yàn)、疲勞程度影響的不足，有效提高識(shí)別的準(zhǔn)確率和穩(wěn)定性，減少誤診和漏診，對(duì)病情診斷、病理分析及治療方案的選取有重大意義。卷積神經(jīng)網(wǎng)絡(luò)能夠提供基于學(xué)習(xí)的特征表示，基于卷積神經(jīng)網(wǎng)絡(luò)模型的圖像分類、檢測(cè)、分割算法在醫(yī)學(xué)圖像識(shí)別上有廣泛應(yīng)用。本文的研究?jī)?nèi)容的是基于卷積

2、神經(jīng)網(wǎng)絡(luò)的圖像分類和語(yǔ)義分割算法，應(yīng)用于醫(yī)學(xué)圖像中癌變目標(biāo)識(shí)別。主要工作包括:
　　1)基于CNN-SVM的微血管分型識(shí)別算法研究。微血管分型與癌癥發(fā)展密切相關(guān)，分型識(shí)別是食道癌診斷與治療的前提。CNN由數(shù)據(jù)驅(qū)動(dòng)，相比手工設(shè)計(jì)特征更加適合復(fù)雜多變的微血管圖像。本文在樣本量相對(duì)較少的情況下，設(shè)計(jì)了一個(gè)以CNN-SVM為核心模型的微血管分型識(shí)別系統(tǒng)，對(duì)一系列的數(shù)據(jù)擴(kuò)增技術(shù)進(jìn)行了研究，逐步地提升系統(tǒng)對(duì)縮放、旋轉(zhuǎn)圖像預(yù)測(cè)的魯棒性;在分類器

3、提升方面，引入SVM替換softmax增強(qiáng)了系統(tǒng)的泛化能力。對(duì)比廣泛使用手工設(shè)計(jì)特征，CNN彰顯了優(yōu)越的特征表達(dá)能力。
　　2)基于多約束FCN的微血管分型語(yǔ)義分割算法研究。本文提出采用語(yǔ)義分割算法對(duì)微血管分型進(jìn)行識(shí)別。針對(duì)不完全標(biāo)注問題，結(jié)合人工知識(shí)，從標(biāo)注信息中挖掘出感興趣區(qū)域信息，構(gòu)建了一個(gè)基于多約束FCN的語(yǔ)義分割系統(tǒng)。感興趣區(qū)域標(biāo)簽包含了人工積累的經(jīng)驗(yàn)，該系統(tǒng)采用多任務(wù)學(xué)習(xí)框架，利用多種標(biāo)簽提升了編碼器類間區(qū)分能力，從而

4、提高了FCN網(wǎng)絡(luò)的分割性能。
　　3)基于聯(lián)合學(xué)習(xí)FCN的細(xì)胞圖像語(yǔ)義分割算法研究。顯微鏡下癌變細(xì)胞識(shí)別是病理檢查的主要內(nèi)容，也是癌癥確診的關(guān)鍵。對(duì)癌細(xì)胞區(qū)域進(jìn)行精細(xì)劃分十分困難。本文采用語(yǔ)義分割算法對(duì)癌變區(qū)域進(jìn)行識(shí)別。根據(jù)多任務(wù)學(xué)習(xí)思想，設(shè)計(jì)了分類任務(wù)，提出CNN與FCN的聯(lián)合學(xué)習(xí)方法。通過對(duì)分類任務(wù)的探索，完成了模型優(yōu)化，并對(duì)額外數(shù)據(jù)集的價(jià)值進(jìn)行了驗(yàn)證。在多任務(wù)學(xué)習(xí)的框架下，通過提升分類任務(wù)性能間接地改善了分割任務(wù)的性能。