基于大数据的肺部X光图像的分析与研究方法

摘要

中国放射科医学影像增速达30%，放射科医生增速为4.1%，放射科影像数据的增长速率远远高于放射科医生的增长速率，目前最主要的X光片审阅依靠人工审阅的方式，放射科医生每天需要面临很大的压力，误诊和漏诊率也会增加。同时，因为个体差异，不同放射科医生对X光片审阅结果也存在差异。科研医疗机构希望能利用大数据与人工智能的相关技术来辅助放射科医生进行医学图像识别，提高医学影像数据识别的准确率，减轻放射科医生的压力，以达到疾病早发现、早治疗的目的。 本课题在云平台下利用大数据技术对肺部X光影像数据进行分布式存储，利用深度学习技术从大量的肺部X光图像中进行自动地特征提取。对比了AlexNet、MobileNets、VGG16神经网络模型对肺部X光图像识别的准确率，选取分析效果较好的VGG16网络模型进行两次算法的改进，分别将改进后的算法命名为VGG-X和VGG-X1，VGG-X网络模型将VGG16网络中的标准卷积替换为了深度可分离卷积，VGG-X1网络模型则是在VGG-X网络的池化层之后加入了BN层。 将改进后的网络模型用于对实变、肺水肿、积液、肺气肿、纤维化、疝、渗透、肿块、肺炎、正常10个类别进行识别。经过实验测试，改进后的神经网络模型在对常见肺部症状进行识别时达到了85%以上的平均准确率，相较于VGG16，提升了对常见肺部症状识别的准确率，而且改进后的网络模型的参数量低于VGG16，缩短了需要花费的时间。此外，利用大数据技术对肺部X光图像数据进行存储，提高了整个识别系统的可扩展性，保证了数据存储的安全性。

目录

第一章 绪论

1.1 研究背景及意义

1.2 国内外研究现状

1.3 课题研究目的和主要内容

1.4 论文组织结构

第二章 大数据技术与深度学习算法研究

2.1 大数据技术

2.1.1 大数据技术概述

2.1.2 分布式存储框架研究

2.2 深度学习

2.2.1 深度学习概述

2.2.2 深度学习算法研究

2.2.3 激活函数

2.2.4 目标函数优化算法研究

2.2.5 自适应学习率算法研究

2.3 本章小结

第三章 肺部X光医学影像处理方法研究

3.1 肺部X光医学影像数据集

3.2 图像预处理算法研究

3.3 AlexNet网络

3.3.1 AlexNet网络模型研究

3.3.2 基于AlexNet的肺部X光医学影像分析

3.4 VGG神经网络

3.4.1 VGG网络模型研究

3.4.2 基于VGG16的肺部X光医学影像分析

3.5 MobileNets神经网络

3.5.1 MobileNets神经网络模型研究

3.5.2 基于MobileNets网络的肺部X光影像分析

3.6 算法对比分析

3.7 本章小结

第四章 肺部X光医学影像识别方法研究

4.1 VGG-X网络模型

4.1.1基于改进的VGG16网络模型研究

4.1.2 基于VGG-X网络的肺部X光医学影像分析

4.2 VGG-X1网络模型

4.2.1 基于改进的VGG-X网络模型研究

4.2.2 基于VGG-X1网络的肺部X光医学影像分析

4.3 实验结果分析

4.4 本章小结

第五章 系统方案实现与测试

5.1 肺部X光医学影像识别平台研究

5.1.1 数据存储平台研究

5.1.2 数据分析平台研究

5.1.3 可视化平台研究

5.2 肺部X光医学影像识别平台搭建

5.2.1 分布式存储平台搭建

5.2.2 可视化平台搭建

5.3 肺部X光医学影像分析系统实现

5.3.1 肺部X光医学影像识别系统验证

5.3.2 肺部X光医学影像识别系统测试

5.4 肺部X光医学影像识别系统实现

5.5 本章小结

第六章 总结与展望

6.1 论文研究工作总结

6.2 未来展望

致谢

参考文献

附录

声明