基于增強學習的醫(yī)學圖像病變區(qū)域提取方法研究
發(fā)布時間：2021-01-05 18:42
醫(yī)學圖像處理在醫(yī)學診斷、臨床治療等方面起著重要的作用,但目前醫(yī)學圖像的分析和診斷主要是靠放射科醫(yī)師人工閱片完成。受制于落后地區(qū)醫(yī)療水平的限制、病人病理學的個體差異等諸多因素,傳統(tǒng)的人工閱片存在著極大挑戰(zhàn),使得實現一個能夠自動化準確提取出醫(yī)學圖像中病變區(qū)域的技術至關重要。另一方面,增強學習正在越來越廣泛的領域嶄露頭角,例如游戲博弈、機器視覺等,在某些領域內甚至達到了超越人類的表現,被認為是邁向人工智能的重要途徑,因此,增強學習具備了被應用至醫(yī)學圖像處理領域的潛力。基于上述原因,本文探究了增強學習在醫(yī)學圖像病變區(qū)域提取中的應用。具體而言,本文構建了基于增強學習的模型,用于BRATS數據集的腦腫瘤分割任務,其主要工作如下:（1）對BRATS數據集進行相關的分析及預處理,預處理包含數據標準化和數據增強兩個方面。對此,本文探究了幾種主流的處理技術,并通過相關實驗驗證了Z-score標準化、隨機旋轉、隨機鏡像翻轉的有效性。（2）通過探究分析Mask R-CNN系列模型,提出了一個增強語義分割框架RSF,用于融合語義分割網絡和增強學習網絡,該模型的共享特征提取基干和語義分割分支可以采用任意的主流網絡...
【文章來源】：電子科技大學四川省 211工程院校 985工程院校 教育部直屬院校
【文章頁數】：94 頁
【學位級別】：碩士
【部分圖文】：
VGG的改進及整體架構(a)連續(xù)小卷積代替大卷積；(b)整體架構
第二章技術理論與相關工作11的值，而舍棄“殘差映射”分支的值，即，在BP訓練的階段，“殘差映射”分支中的權值會被逐漸地更新至0.0。因此，對于ResNet而言，若網絡已達到最優(yōu)，此時再繼續(xù)加深網絡，新增的殘差單元的“殘差映射”分支輸出值將為0，從而不會損害網絡性能，使得網絡一直處于最優(yōu)狀態(tài)。圖2-2ResNet殘差單元示意圖此外，殘差結構還有另一個優(yōu)點，其易于訓練，能夠使整體網絡更快收斂。殘差結構的公式推導如式(2-2)所示。11(,)(,)llllLLliiilxxFxwxxFxw(2-2)其中，lx和l1x分別為第l個殘差單元的輸入和輸出，若連續(xù)堆疊L1個殘差單元，那么遞歸地將上述第一個式子帶入，得到上述第二個公式，即為殘差結構的整體公式。根據鏈式求導法則，計算其反向傳播的梯度更新公式，如式(2-3)所示。11(,)LLiilLlLlillosslossxlossFxwxxxxx(2-3)在上述公式中，小括號里的“1”即表示，其可以無損地傳播梯度，而這正是“恒等映射”所對應的梯度；與之相加的另一項則是“殘差映射”所對應的梯度，這部分的梯度需要經過若干權重層才會最終得到，并且不會恰好全都為-1。因此，就算“殘差映射”部分的梯度非常小甚至為0，由于有“恒等映射”部分的恒定梯度1存在，其總體的梯度也不會消失，因此能夠抑制“梯度彌散”的發(fā)生，使網絡易于更新權重、快速收斂。不僅如此，何凱明團隊還針對原始的殘差結構提出了一種改進形式，稱作“瓶
電子科技大學碩士學位論文12頸結構（BottleneckDesign）”，如圖2-3所示。從左至右分別是：通道數為64的原始結構（raw-64d）、通道數為256的瓶頸結構（bottleneck-256d）、通道數為256的原始結構（raw-256d）。圖2-3ResNet瓶頸結構示意圖從圖中不難看出，瓶頸結構改進了原始結構中的“殘差映射”分支，具體地，輸入首先經過一個1*1大小且通道數為原始通道數四分之一的卷積進行特征降維，再經過一個3*3大小且通道數為原始通道數四分之一的卷積提取新特征，最后經過一個1*1大小且通道數為原始通道數的卷積將新提取特征還原至原始的特征通道數。對比raw-64d和bottleneck-256d，不難發(fā)現bottleneck-256d在保證參數量幾乎不變（甚至更少）的情況下，拓寬了特征通道數，這使得在保證參數量規(guī)模不變的情況下，增強了網絡的學習能力；對比raw-256d和bottleneck-256d，不難發(fā)現bottleneck-256d能夠在維持特征通道數不變的情況下，大幅降低參數量消耗（約17倍），這使得網絡在保證性能的情況下更加易于訓練。簡而言之，瓶頸結構通過“特征降維，特征提取，還原特征通道數”的方式，降低原始結構中的參數量，使得ResNet的網絡結構得到進一步的加深。至此，ResNet50和ResNet101成為了目前處理計算機視覺任務的首選基干模型。例如，著名的二階段（Two-stage）目標檢測網絡R-CNN系列，其最新的研究成果FasterR-CNN、MaskR-CNN以及全景分割基干網絡PanopticFPN中，都采用了ResNet作為網絡的特征提取基干。2.2增強學習增強學習是機器學習領域的另一條重要分支，與端到端一站式處理目標任務的
【參考文獻】：
期刊論文
[1]深度學習在醫(yī)學圖像分析中的應用研究綜述[J]. 黃江珊,王秀紅. 圖書情報研究. 2019(02)
[2]卷積神經網絡及其在醫(yī)學圖像分析中的應用研究[J]. 梁蒙蒙,周濤,張飛飛,楊健,夏勇. 生物醫(yī)學工程學雜志. 2018(06)
[3]醫(yī)學影像技術在醫(yī)學影像診斷中的臨床應用分析[J]. 何飛. 智慧健康. 2018(36)
[4]基于深度學習的醫(yī)學影像診斷綜述[J]. 張巧麗,趙地,遲學斌. 計算機科學. 2017(S2)
[5]大數據時代下深度學習理論綜述[J]. 邱俊玲. 智能制造. 2017(08)
[6]深度學習研究綜述[J]. 尹寶才,王文通,王立春. 北京工業(yè)大學學報. 2015(01)
本文編號：2959109
【文章來源】：電子科技大學四川省 211工程院校 985工程院校 教育部直屬院校
【文章頁數】：94 頁
【學位級別】：碩士
【部分圖文】：
VGG的改進及整體架構(a)連續(xù)小卷積代替大卷積；(b)整體架構
第二章技術理論與相關工作11的值，而舍棄“殘差映射”分支的值，即，在BP訓練的階段，“殘差映射”分支中的權值會被逐漸地更新至0.0。因此，對于ResNet而言，若網絡已達到最優(yōu)，此時再繼續(xù)加深網絡，新增的殘差單元的“殘差映射”分支輸出值將為0，從而不會損害網絡性能，使得網絡一直處于最優(yōu)狀態(tài)。圖2-2ResNet殘差單元示意圖此外，殘差結構還有另一個優(yōu)點，其易于訓練，能夠使整體網絡更快收斂。殘差結構的公式推導如式(2-2)所示。11(,)(,)llllLLliiilxxFxwxxFxw(2-2)其中，lx和l1x分別為第l個殘差單元的輸入和輸出，若連續(xù)堆疊L1個殘差單元，那么遞歸地將上述第一個式子帶入，得到上述第二個公式，即為殘差結構的整體公式。根據鏈式求導法則，計算其反向傳播的梯度更新公式，如式(2-3)所示。11(,)LLiilLlLlillosslossxlossFxwxxxxx(2-3)在上述公式中，小括號里的“1”即表示，其可以無損地傳播梯度，而這正是“恒等映射”所對應的梯度；與之相加的另一項則是“殘差映射”所對應的梯度，這部分的梯度需要經過若干權重層才會最終得到，并且不會恰好全都為-1。因此，就算“殘差映射”部分的梯度非常小甚至為0，由于有“恒等映射”部分的恒定梯度1存在，其總體的梯度也不會消失，因此能夠抑制“梯度彌散”的發(fā)生，使網絡易于更新權重、快速收斂。不僅如此，何凱明團隊還針對原始的殘差結構提出了一種改進形式，稱作“瓶
電子科技大學碩士學位論文12頸結構（BottleneckDesign）”，如圖2-3所示。從左至右分別是：通道數為64的原始結構（raw-64d）、通道數為256的瓶頸結構（bottleneck-256d）、通道數為256的原始結構（raw-256d）。圖2-3ResNet瓶頸結構示意圖從圖中不難看出，瓶頸結構改進了原始結構中的“殘差映射”分支，具體地，輸入首先經過一個1*1大小且通道數為原始通道數四分之一的卷積進行特征降維，再經過一個3*3大小且通道數為原始通道數四分之一的卷積提取新特征，最后經過一個1*1大小且通道數為原始通道數的卷積將新提取特征還原至原始的特征通道數。對比raw-64d和bottleneck-256d，不難發(fā)現bottleneck-256d在保證參數量幾乎不變（甚至更少）的情況下，拓寬了特征通道數，這使得在保證參數量規(guī)模不變的情況下，增強了網絡的學習能力；對比raw-256d和bottleneck-256d，不難發(fā)現bottleneck-256d能夠在維持特征通道數不變的情況下，大幅降低參數量消耗（約17倍），這使得網絡在保證性能的情況下更加易于訓練。簡而言之，瓶頸結構通過“特征降維，特征提取，還原特征通道數”的方式，降低原始結構中的參數量，使得ResNet的網絡結構得到進一步的加深。至此，ResNet50和ResNet101成為了目前處理計算機視覺任務的首選基干模型。例如，著名的二階段（Two-stage）目標檢測網絡R-CNN系列，其最新的研究成果FasterR-CNN、MaskR-CNN以及全景分割基干網絡PanopticFPN中，都采用了ResNet作為網絡的特征提取基干。2.2增強學習增強學習是機器學習領域的另一條重要分支，與端到端一站式處理目標任務的
【參考文獻】：
期刊論文
[1]深度學習在醫(yī)學圖像分析中的應用研究綜述[J]. 黃江珊,王秀紅. 圖書情報研究. 2019(02)
[2]卷積神經網絡及其在醫(yī)學圖像分析中的應用研究[J]. 梁蒙蒙,周濤,張飛飛,楊健,夏勇. 生物醫(yī)學工程學雜志. 2018(06)
[3]醫(yī)學影像技術在醫(yī)學影像診斷中的臨床應用分析[J]. 何飛. 智慧健康. 2018(36)
[4]基于深度學習的醫(yī)學影像診斷綜述[J]. 張巧麗,趙地,遲學斌. 計算機科學. 2017(S2)
[5]大數據時代下深度學習理論綜述[J]. 邱俊玲. 智能制造. 2017(08)
[6]深度學習研究綜述[J]. 尹寶才,王文通,王立春. 北京工業(yè)大學學報. 2015(01)
本文編號：2959109
本文鏈接：http://www.wukwdryxk.cn/guanlilunwen/lindaojc/2959109.html
