深度卷积神经网络在甲状腺超声图像中的分类研究

摘要

随着医学影像设备的性能提高和机器学习算法在医疗图像领域的成功应用，计算机辅助诊断技术迅速兴起。利用深度学习理论，对甲状腺超声图像系统地分析和提取重要特征，合理预测病人病情发展态势，具有重大的临床应用价值。基于深度卷积神经网络的甲状腺超声图像检测模型构建研究主要任务包括:
　　1、甲状腺超声图像结节分类相关概述。分析了甲状腺超声图像分类技术现状，结合甲状腺结节患者具体诊治数据，阐述了甲状腺超声图像检测研究的重要性。根据TI-RADS标准体系，设计了合理的分类性能指标。比较了基于集成学习的超声图像分类方法和基于人工神经网络的超声图像分类方法，针对两种方法的不足，提出一种基于卷积神经网络与残差网络的甲状腺超声图像分类思想，为模型的建立提供了理论支持。
　　2、基于卷积神经网络的甲状腺超声图像分类框架构建。解释了神经元延伸到神经网络的思想，介绍了卷积和池化的概念。以此为基础，构建了简单的卷积神经网络模型，分别讨论了不同激活函数在甲状腺超声图像上的实际应用情况，并详细分析了基于卷积神经网络算法的甲状腺超声图像分类模型的训练过程。针对超声图像特殊性，应用不饱和非线性函数对卷积神经网络进行改进，特别是为了防止产生严重的过拟合行为，引入了多方向中值滤波和正则化方法。
　　3、基于残差结构的深度卷积神经网络甲状腺超声图像分类模型构建。首先引入非线性映射和恒等残差映射，分析残差结构对卷积神经网络的优势。接着，以恒等残差块为基本单元构建残差神经网络，对每层网络输出的残差进行统计计算。最后实现跨层连接，完成改进后的卷积神经网络CNN6与残差网络的优势互补。
　　基于以上研究，利用银川市第一人民医院中的彩色超声图像数据集作为训练和测试样本，在TensorFlow深度学习框架下设计对比实验对本文方法的可行性进行验证。实验结果显示，该方法可以准确检测甲状腺结节病变，在良恶性结节分类测试中具有较高的准确率。

目录

声明

摘要

1．1研究背景及意义

1．2国内外研究现状

1．3主要研究内容

1．4论文组织结构

第二章甲状腺超声图像分类技术概述

2．1甲状腺超声图像研究概况

2．1．1甲状腺超声图像数据介绍

2．1．2甲状腺结节患者临床样本分析

2．2甲状腺超声图像评估分析

2．2．1 TI-RADS标准

2．2．2甲状腺超声诊断

2．3甲状腺超声图像分类方法

2．3．1基于集成学习的分类算法

2．3．2基于人工神经网络的分类算法

2．3．3基于深度学习的分类算法

2．4本章小结

第三章甲状腺超声图像的卷积神经网络分类模型构建

3．2卷积神经网络构建

3．2．1神经元与多层感知器构建

3．2．2激活函数选取

3．2．3卷积结构构建

3．2．4池化结构构建

3．3甲状腺超声图像分类模型改进

3．3．1多方向滤波图像增强

3．3．2 Softmax分类器正则化

3．3．3全连接层特征空间映射

3．4本章小结

第四章基于深度残差神经网络的分类模型构建研究

4．1残差学习理论思想

4．2跨层连接设计分析

4．2．1非线性映射与恒等映射分析

4．2．2恒等残差块设计

4．3甲状腺超声图像残差网络模型影响因素

4．3．1 GPU运行的影响

4．3．2残差函数的影响

4．3．3 t-SNE降维的影响

4．3．4迭代次数的影响

4．4甲状腺超声图像跨层连接分类模型

4．5本章小结

第五章实验与相关分析

5．1甲状腺超声图像实验数据集

5．2实验评价指标

5．3实验设计与结果分析

5．3．1数据脱敏

5．3．2甲状腺超声图像结节检测分析

5．3．3甲状腺超声图像结节良恶性分类分析

5．4本章小结

6．1总结

6．2展望

参考文献

致谢

个人简介及攻读硕士学位期间论文发表情况