基于卷积神经网络的医疗图像分类和分割研究

发布时间：2023-02-01 21:30

　　近年来,随着“人工智能”的火热,深度学习的方法几乎成为各个领域的首选研究方法,尤其是在医疗图像领域。在医疗领域中,使用生物医学影像对病人进行诊断是必不可少的治疗手段。新兴的深度学习方法,可以从医疗图像的大数据中,学习到隐含的疾病特征,其展现出的特有的强大的特征学习能力,迅速成为科研人员在医疗图像领域中研究的热点。对医疗图像的研究可以促进医疗事业的发展,提高医疗设施的精确性和可靠性,医生可以使用计算机辅助系统对病人进行辅助性的诊断,减少医生的工作负担,提高诊断效率,这对于医疗领域的发展具有非常重要的意义和价值。在医疗图像领域中存在着以下几种任务,包括医学图像的分类、识别、定位、检测和分割等任务。其中分类与分割任务是两个及其相似的任务,前者是图像级的分类,而后者是像素级的分类。图像分割是在分类任务的基础上又更加细致的区分每个像素所属的类别,需要将图像中的每一个目标识别出来,是基于像素的一种密集型分类任务,追根溯源分割的最终目的还是分类。本文主要所作的工作就是基于医疗图像的分类和分割展开的:1.在医疗图像分类任务上,利用经典的预训练好的深度学习模型,将新的归一化方法Switchable No... 

【文章页数】：69 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 研究背景
    1.2 研究现状
    1.3 研究意义
    1.4 研究内容
    1.5 组织结构
第二章 基于卷积神经网络的医疗图像分类研究
    2.1 医疗图像分类模型的设计
        2.1.1 CNN模块
        2.1.2 LSTM网络结构
        2.1.3 Attention注意力机制
        2.1.4 Switchable Normalization归一化
        2.1.5 Targeted Dropout
        2.1.6 TTA测试时增强
    2.2 数据集介绍
    2.3 评价指标
    2.4 数据预处理
    2.5 实验结果与对比分析
    2.6 本章小结
第三章 基于卷积神经网络的医疗图像分割研究
    3.1 医疗图像分割模型的设计
        3.1.1 Low-Level Inception结构
        3.1.2 3D Squeeze and Excitation结构
        3.1.3 Reduction结构
        3.1.4 High-Level Inception结构
        3.1.5 Residual Connection结构
        3.1.6 Prediction and Fusion结构
    3.2 数据集介绍
    3.3 评价指标
    3.4 预处理过程
    3.5 实验结果与对比分析
    3.6 本章小结
第四章 总结
    4.1 论文的工作内容和主要贡献
    4.2 将来研究工作
参考文献
硕士期间完成的科研成果
致谢


【参考文献】：
期刊论文
[1]深度学习在计算机视觉领域的应用进展[J]. 周益淇.  电子制作. 2018(16)
[2]医学图像分析深度学习方法研究与挑战[J]. 田娟秀,刘国才,谷珊珊,鞠忠建,刘劲光,顾冬冬.  自动化学报. 2018(03)



本文编号：3734470