基于卷积神经网络的发育性髋关节超声图像的分类研究

摘要

发育性髋关节发育不良(developmental dysplasia of the hip，简称为DDH)，是在新生儿中发病率非常高的一种骨骼肌肉类疾病。随着患儿年龄增长，髋关节周围的继发病理改变越来越多且越来越重，治疗也变得越来越困难。所以，早诊断、早治疗对其预后改善具有重要意义。
　　目前，DDH的临床诊断方法应用比较广泛的是借助超声波诊断技术，然后，医生对髋关节超生波图像进行诊断，这需要医生具有较强的专业知识，这就阻碍了DDH的超声图像诊断技术快速推广。
　　为了解决这个问题，本文在研究深度学习理论的基础上，首次将卷积神经网络（Convolutional Neural Network，简称为CNN）应用到DDH髋关节的超声图像识别中。DDH髋关节超声图像的识别过程主要分为图像的特征提取和分类两步，首先对将要输入CNN的髋关节的超声图像进行分割，得到相应的特征区域图像，然后将其输入到卷积神经网络进行特征提取;最后将提取到的髋关节超声图像的特征输入到支持向量机中，分类器将输出髋关节超声图像的所属类别。实验结果表明:我们的训练的卷积神经网络在DDH髋关节的超声图像识别中取得不错的识别准确率，如果后期增加数据并进一步优化算法，有望将此分类网络应用到临床中，达到快速准确地进行DDH检查的效果。

目录

声明

摘要

第一章 绪论

1．1 研究背景及意义

1．2 国内外研究现状

1．2．1 DDH超声图像诊断分类的现状

1．2．2 深度学习发展和研究现状

1．3 本文主要工作与内容安排

1．3．1 本文的主要内容

1．3．2 本文的主要贡献

1．3．3 本文的整体结构安排

第二章 人工神经网络和卷积神经网络

2．1 人工神经网络

2．1．1 神经元模型

2．1．2 神经网络结构

2．1．3 多层感知器(MLP)

2．1．4 人工神经网络的训练

2．2 卷积神经网络

2．2．1 卷积神经网络的基本结构

2．2．2 卷积神经网络的核心思想

2．2．3 卷积神经网络的训练过程

2．4 本章小结

第三章 支持向量机

3．1 支持向量机的简介

3．2 线性分类器

3．3 支持向量机的优化

3．4 本章小结

第四章 卷积神经网络在DDH超声图像识别中的应用

4．1 实验数据介绍

4．2 实验数据预处理

4．3 实验过程

4．3．1 实验条件

4．3．2 卷积神经网络的训练流程

4．3．3 实验一

4．3．4 实验二

4．3．5 参数设置的讨论

4．4 实验结果和分析

4．5 本章小节

第五章 总结与展望

5．1 全文总结

5．2 存在的问题和下一步的工作

参考文献

致谢

附录