基于卷积神经网络和迁移学习的医学影像辅助诊断研究

摘要

近年来国内外研究机构在人工智能及其相关领域取得了重大进展，特别是深度学习技术在很多实际工程应用中相比于以往方法有很大进步，引起了国内外广泛关注，激起了企业员工、高校学生、相关研究人员的学习兴趣。
　　深度学习的研究历史悠久，但真正开始大规模应用于工程实践始于Geoffrey Hinton及其团队多次在ImageNet图像识别大赛中多次取得突破性进展，引起了评委和全世界范围内的人们的关注，从此越来越多的人将深度学习技术应用于图像分析领域，并不断改进算法，设计了很多更实用的网络结构，使深度学习技术在图像分析领域越来越成熟。这一方面得益于硬件计算能力的提升和GPU的普及，也与科研人员的努力分不开。目前，深度学习技术也被应用到了医学影像分析领域。CNN可以提取图像抽象特征，但从头训练一个CNN十分消耗时间和计算资源，首先，训练CNN需要大量有标签的数据，这些标签很难获得，尤其在医学影像处理领域，这些标签需要耗费专业医师大量时间进行标注，并且相关病理的数量稀少。训练一个复杂CNN经常会遇到过拟合和损失函数不收敛等问题，解决方法是反复调整网络结构和学习参数，这需要大量的计算资源和内存及显存资源，而且极其耗费时间。
　　本文针对现有技术存在的问题，结合现有技术的优点，采用先聚类再微调的策略，利用辅助域迁移学习的方法提高了CNN模型识别的准确率，同时对比了其他方法的实验结果，在OASIS医学影像数据集上进行验证，解决了目前医学影像处理领域存在的一些问题。具体内容如下:
　　(1)提出了一种基于辅助域迁移学习方法用于阿兹海默症的影像辅助诊断，在自然图像与医学影像之间聚类形成一个相关度高的自然图像子集，利用该子集做医学影像的迁移学习。该方法首先利用阿兹海默症(Alzheimer's disease，AD)数据集与自然图像数据集做聚类，选出与AD影像“距离”相近的自然图像，用这部分自然图像微调VGG16网络，把网络中的卷积-池化层对的参数保留下来，用这些参数初始化CNN分类AD影像，并经过5次交叉验证得到实验结果。
　　(2)在肺癌数据集实验中探讨了影响CNN模型预测准确率的若干因素:数据增强，迁移学习和从头训练CNN，不同的网络结构，本文对比了AlexNet和VGG16两种网络结构。处理胶质瘤数据集的过程中比较了从头训练和迁移学习两种方式。

目录

声明

摘要

第1章 绪论

1．1 课题研究背景和意义

1．2 相关领域研究现状及分析

1．3 论文研究内容及组织结构

第2章 卷积神经网络与迁移学习

2．1 卷积神经网络概述

2．2 卷积神经网络的结构设计

2．3 Keras深度学习框架

2．4 迁移学习

2．4．1 迁移学习概述

2．4．2 迁移学习在医学影像分析中的应用

2．5 本章小结

第3章 基于辅助域迁移学习的阿兹海默症辅助诊断方法

3．1 AD诊断的意义

3．2 OASIS数据集简介

3．3 基于辅助域迁移学习的阿兹海默症辅助诊断方法

3．3．1 数据预处理

3．3．2 聚类

3．3．3 微调网络，迁移学习

3．3．4 医学影像的迁移学习，交叉验证

3．3．5 处理过程小结

3．4 实验结果汇总

3．5 实验结果分析

3．6 本章小结

第4章 基于CNN与模型迁移的医学影像分类方法

4．1 CNN应用与肺癌预测，胶质瘤分级

4．2 Data Science Bowl 2017数据集处理

4．2．1 数据集简介

4．2．2 处理步骤

4．2．3 实验结果分析

4．3 BRATS2015数据集处理

4．3．1 BRATS2015数据集简介

4．3．2 BRATS2015数据集处理步骤

4．3．3 实验结果分析

4．4 本章小结

5．1 本文总结

5．2 未来工作的展望

参考文献

致谢

攻读硕士研究生期间的研究成果