基于深度学习的医学图像模式分类研究

摘要

现代医疗科学技术的快速发展，使医学图像在临床疾病的诊断中扮演的角色越来越重，同时医学图像的模式也越来越多样化，并且医学图像的整体数量每天都在呈现指数式的增长，这一方面给医疗疾病的诊断带来了可靠的图像资料数据，但是另一方面如何管理储存这些图像数据以及如何更好的发掘利用好这些图像数据本身的价值也成为一个迫切需要解决的问题。因此，医学图像模式分类就成为了实现现代医学图像有效管理，存储，价值发掘的重要途径之一，但是传统的手工分类已经不能满足日益增长的医学图像的需求，迫切需要利用现代的信息技术和计算机技术实现医学图像的自动分类管理，有效信息发掘等，从而提高管理效率和其本身的利用价值。因此，能够实现医学图像的有效管理，分类的算法成为研究的热点。
　　本文首先回顾了医学图像以及医学图像疾病分类的国内外发展现状，之后分别研究了基于传统特征提取方法的医学图像分类算法和基于深度学习中的深度信念网络、栈式自动编码机和卷积神经网的医学图像分类算法，并对比分析了分类效果。最后提出利用卷积信念网络来克服上述网络结构中的不足，并通过具体的实验证明了算法的有效性。本文的主要贡献有:
　　(1)利用图像处理分析技术对医学图像进行分析，并提取了医学图像的多种不同特征，对比分析了其在医学图像分类中的应用。具体地，对于医学图像中的纹理特征主要提取了局部二值化模式特征和利用灰度共生矩阵方法提取不同矩阵属性值的特征。对于基于局部特征的主要提取了SIFT特征，并利用传统的人工神经网络算法进行分类，比较各种的不同特征的分类精度。
　　(2)研究分析基于浅层网络结构模型的医学图像分类方法，首先对浅层网络特征学习过程和受限玻尔兹曼机、稀疏自动编码机等浅层网络结构模型进行了介绍，之后利用乳腺肿瘤X线图像数据库MIAS为实验数据，通过不同的浅层网络分别对该数据库中病灶区域进行自动式的特征提取，得到不同类图像的特征，再将这些特征与利用图像处理方法得到的特征结合输入神经网络分类器，对比分析实验结果。
　　(3)研究分析了基于深度学习的医学图像分类方法，对深度学习的三种网络结构模型-深度信念网络、栈式自动编码机、卷积神经网络进行了分析介绍，并提出来基于深度学习的乳腺肿瘤X线图像分类方法以进一步提高医学图像分类的准确性，实验结果证明，与传统的基于特征提取的神经网络分类方法相比，分类性能更优秀。
　　(4)研究了深度学习网络结构模对可扩展医学图像的分类性能，并针对深度信念网络对医学图像细节分类不够敏感的特点和输入图像大小受限，提出了卷积置信网络对医学图像进行分类的方法，并在LIDC/IDRI肺部图像数据库进行了验证分析，证明了该方法的有效性。
　　通过本文不同的研究性工作，表明浅层网络结构模型能够在一定程度上提高医学图像分类的准确性;以深度信念网络，栈式自动编码机，卷积神经网络为代表的深度学习网络结构模型不但能有效的避免传统人工手动设计医学图像特征的繁琐步骤，并且分类正确率有了明显的提高。将卷积操作和深度信念网络结合产生的卷积信念网络能进一步提高深度学习网络结构模型在医学图像上的应用。

目录

摘要

1 绪论

1．1 课题研究背景及意义

1．2 国内外发展现状

1．2．1 医学影像发展现状

1．2．2 医学图像分类方法的发展现状

1．3 本文使用的相关内容介绍

1．3．1 使用的数据库介绍

1．3．2 分类精度评价指标

1．4 本文的主要工作和结构安排

2 医学图像分类预处理技术研究

2．1 医学图像的获取与特点

2．1．1 DICOM 3．0标准

2．1．2 DICOM文件

2．1．3 医学图像的特点

2．2 医学图像的预处理与ROI区域分割

2．2．1 医学图像的预处理

2．2．2 医学图像的ROI区域分割

2．3 医学图像低层次特征的提取方法

2．3．1 基于纹理特征的医学图像特征表达方法

2．3．2 基于局部特征的医学图像特征表达方法

2．4 本章小结

3 基于浅层网络结构模型的分类方法研究

3．1 浅层网络特征学习过程

3．2 受限玻尔兹曼机

3．3 稀疏自动编码机

3．4 人工神经网络

3．4．1．生物神经元

3．4．2．人工神经元模型

3．4．3 人工神经网络

3．4．4 误差反向传播算法

3．5 基于浅层网络结构模型的乳腺肿瘤X线图像数据分类研究

3．5．1 实验参数设置

3．5．2 实验结果分析

3．6 本章小结

4 基于深度学习的分类方法研究

4．1 深度学习介绍

4．2 深度学习网络结构模型

4．2．1 深度信念网络

4．2．2 栈式自动编码机

4．2．3 卷积神经网络

4．3 基于深度学习网络结构模型的乳腺肿瘤X线图像数据分类研究

4．3．1 实验参数设置

4．3．2 实验结果对比分析

4．4 基于卷积深度信念网络的肺结节CT图像数据分类研究

4．4．1 卷积信念网络

4．4．2 实验参数设置

4．4．3 实验结果对比分析

4．5 结论

5 总结与展望

参考文献

致谢

攻读学位期间取得的研究成果

声明