基于三维卷积神经网络的肺部图像计算机断层扫描
发布时间:2019-08-13 09:14
基于三维卷积神经网络的肺部图像计算机断层扫描
爱媛国王
总结:随着技术的进步,人工智能已经慢慢渗透到人们生活的各个方面。
在医学领域,医生越来越依赖图像数据来诊断疾病。医学图像的进步是必然的发展趋势。
本文提出了一种基于三维卷积神经网络的CT肺部图像健康状况调查,通过CT对肺部图像健康进行自动分类,减轻医生负担,减轻患者负担。到。错误的诊断
本文在研究内容的基础上,首先回顾了医学影像学领域深度学习研究的现状,指出了存在的问题。
我们比较了传统的基于机器学习的计算机辅助治疗技术和基于深度学习的研究方法,并指出了深度学习在医学成像智能中的优势。
为了在CT序列的图像分类任务中限制2D卷积神经网络,已经提出了用于CT肺序列图像的声音检测的3D卷积神经网络。
最后,通过实验验证了三维卷积神经网络在序列图像分类任务中的有效性。
该文件的主要研究内容如下:1. CT胸部图像的预处理,医学图像传输和存储的DICOM标准分析,DICOM文件的格式和内容,指示本文档中要读取的信息。研究
线性窗口技术用于将图像数据转换为JPG格式的图像文件。窗口宽度解释窗口的概念。实验证明窗口宽度窗口对图像亮度和对比度的影响。
我们研究了一个合适的卷积神经网络的结构,用于处理CT序列图像,理解卷积和聚类层的基本原理以及传播网络的过程,包括前向传播,传播。误差和梯度下降算法
已经引入了几种可以提高网络训练的有效性和收敛速度的方法。
基于Lasagna深度学习框架,我们使用2D卷积网络训练肺部CT图像进行健康疾病分类,并指出2D卷积网络对肺序列图像分类的局限性。TC的。
3.考虑进一步处理图像数据和改进模型。为了更好地利用相邻CT序列图像层之间的信息,提出了一种基于二维卷积神经网络的三维卷积神经网络来分析二维和三维图像。3D卷积核心的优势
将迁移学习理论应用于该实验,使用三个肺窗窗口图像,高低衰减窗口和任务中的预训练参数来合成伪彩色图像。在网络中初始化自然图像分类,然后处理医疗数据。
实验证实了3D卷积神在CT胸部图像健康检测中的应用效果。
本文的研究表明,与二维卷积神经网络相比,三维卷积神经网络具有改进CT肺序列图像分类任务的效果。
此外,使用预训练模型在自然图像分类任务中初始化任务的网络模型,使用医学数据,尤其是准确的医学图像数据,学习运动方法。它会在一定程度上得到改善。
[学位授予单位]:武汉大学[学年]:硕士学位[授予年份]:2017年[分类号]:TP391
41; TP183
下载全文
更多类似的文件