基于卷積神經網(wǎng)絡的醫(yī)學圖像癌變識別研究.pdf

1、醫(yī)學成像技術與相關圖像識別算法的快速發(fā)展反映了人們對醫(yī)學信息獲取的強烈需求。醫(yī)學圖像能夠提供豐富的信息，在醫(yī)學診斷中的作用日益凸顯。計算機識別算法能夠克服人工識別易受認知能力、主觀經驗、疲勞程度影響的不足，有效提高識別的準確率和穩(wěn)定性，減少誤診和漏診，對病情診斷、病理分析及治療方案的選取有重大意義。卷積神經網(wǎng)絡能夠提供基于學習的特征表示，基于卷積神經網(wǎng)絡模型的圖像分類、檢測、分割算法在醫(yī)學圖像識別上有廣泛應用。本文的研究內容的是基于卷積

2、神經網(wǎng)絡的圖像分類和語義分割算法，應用于醫(yī)學圖像中癌變目標識別。主要工作包括:
　　1)基于CNN-SVM的微血管分型識別算法研究。微血管分型與癌癥發(fā)展密切相關，分型識別是食道癌診斷與治療的前提。CNN由數(shù)據(jù)驅動，相比手工設計特征更加適合復雜多變的微血管圖像。本文在樣本量相對較少的情況下，設計了一個以CNN-SVM為核心模型的微血管分型識別系統(tǒng)，對一系列的數(shù)據(jù)擴增技術進行了研究，逐步地提升系統(tǒng)對縮放、旋轉圖像預測的魯棒性;在分類器

3、提升方面，引入SVM替換softmax增強了系統(tǒng)的泛化能力。對比廣泛使用手工設計特征，CNN彰顯了優(yōu)越的特征表達能力。
　　2)基于多約束FCN的微血管分型語義分割算法研究。本文提出采用語義分割算法對微血管分型進行識別。針對不完全標注問題，結合人工知識，從標注信息中挖掘出感興趣區(qū)域信息，構建了一個基于多約束FCN的語義分割系統(tǒng)。感興趣區(qū)域標簽包含了人工積累的經驗，該系統(tǒng)采用多任務學習框架，利用多種標簽提升了編碼器類間區(qū)分能力，從而

4、提高了FCN網(wǎng)絡的分割性能。
　　3)基于聯(lián)合學習FCN的細胞圖像語義分割算法研究。顯微鏡下癌變細胞識別是病理檢查的主要內容，也是癌癥確診的關鍵。對癌細胞區(qū)域進行精細劃分十分困難。本文采用語義分割算法對癌變區(qū)域進行識別。根據(jù)多任務學習思想，設計了分類任務，提出CNN與FCN的聯(lián)合學習方法。通過對分類任務的探索，完成了模型優(yōu)化，并對額外數(shù)據(jù)集的價值進行了驗證。在多任務學習的框架下，通過提升分類任務性能間接地改善了分割任務的性能。