發(fā)布時間：2020-11-21 08:20

　　 傳統(tǒng)的機器學習算法需要采用大量的有標記樣本進行學習,從而建立模型用于預測未知樣本的標記,即監(jiān)督學習。監(jiān)督學習是機器學習中被研究最多,且應用最廣泛的一種學習途徑。近年來,伴隨著計算機技術的飛速發(fā)展,數據的收集和存儲已變得相當容易,使得深度學習技術在人工智能的許多領域取得了卓越的成果。深度學習的方法大多采用監(jiān)督學習模式,而實際應用中,獲取大量有標記的示例可能需要耗費大量的人力物力。利用少量標注樣本和大量未標注樣本進行的機器學習,即介于無監(jiān)督學習和有監(jiān)督學習之間的半監(jiān)督學習,半監(jiān)督學習可以有效的減少對人工標注的依賴,這使它成為機器學習的熱門領域。本文提出一種基于半監(jiān)督學習的階梯網絡,該方法通過每層的橫向連接,利用無監(jiān)督學習來補充監(jiān)督學習,以達到對大量未標記數據的有效利用。將其應用于腹部CT影像肝臟分割,取得了較好的效果。構建基于梯形網絡的半監(jiān)督架構,分別內嵌多層感知機與卷積神經網絡,利用代價函數實現(xiàn)網絡參數的更新。提取腹部影像中子圖像(patch),放入網絡中訓練。該過程將產生大量的冗余信息,為減少冗余信息,采用超像素方法剔除肝實質與腹部的其他臟器信息,僅保留肝臟邊緣區(qū)域,得到肝臟輪廓的粗分割圖片。為了補充在編碼通道中丟失的細節(jié)信息,解碼通道在每層都具有從加噪編碼器到解碼器的橫向連接,并且每層都對成本函數有貢獻,使得深層網絡的每一層都能得到有效的學習。為了緩解過擬合的問題,在網絡的每層增加批量歸一化,加快網絡的收斂速度。網絡采用ReLU函數作為激活函數,解決了梯度消失等問題。實驗數據表明,本文提出的算法具有較高的精度,在標簽占總數據的8%時,像素分類的準確值為91.53%和92.04%。本文通過實驗驗證未標記樣本對算法準確率的影響,證明了半監(jiān)督階梯網絡中未標記數據的有用性。
【學位單位】：吉林大學
【學位級別】：碩士
【學位年份】：2018
【中圖分類】：TP391.41;R816.5
【部分圖文】：

第一章 緒論析可以有效地幫助醫(yī)生進行更準確的臨床診斷；更精確地預測治療方案的成本與療效；整合病人基因信息進行個性化治療；分析人口健康數據預測疾病爆發(fā)；快速有效的監(jiān)測保險詐騙等[1]。由大數據產生的醫(yī)療智能決策方法能夠提高醫(yī)療的精準咨詢，提高患者的知情權，同時使得自助醫(yī)療、家庭醫(yī)療有了實現(xiàn)的機會。

學習以及半監(jiān)督學習。傳統(tǒng)的機器學習算法需采用大量的有標記的樣本進行學習，從而建立模型并用于預測未知樣本的標記，即監(jiān)督學習。監(jiān)督學習是機器學習中被研究最多，且應用最廣泛的一種學習途徑[56]。近年來，伴隨著計算機技術的飛速發(fā)展，數據的收集和存儲已變得相當容易，使得深度學習技術在人工智能的許多領域取了卓越的成果。在傳統(tǒng)的監(jiān)督學習中，假設模型是從大量的訓練實例中學到的。每個訓練樣本都有一個標簽，用于指導模型所描述事件的所需輸出。在分類中，標簽表示相應例子所屬的類別；在分割中，標簽表示相應的 ROI 區(qū)域；在回歸中，標簽是一個數值輸出，如溫度、高度、價格等。目前，大部分深度學習的方法基本采用監(jiān)督學習模式[57-59]，但是實際應用中，獲取有標記的示例不僅需要一定的專業(yè)知識，還耗費大量的人力物力以及時間。利用少量標注樣本和大量未標注樣本進行的機器學習，即介于無監(jiān)督學習和有監(jiān)督學習之間的半監(jiān)督學習。

第二章 半監(jiān)督學習成的�？梢园l(fā)現(xiàn)只有第一個概率估計涉及類標簽。未標記樣本可以用來改進第二個概率的估計，從而提高了學習模型的性能。半監(jiān)督學習有兩個基本假設，即聚類假設(Cluster Assumption)和流形假設(Manifold Assumption)。聚類假設假定類似的輸入數據應該有類似的類標簽；流行假設假定數據類似的輸入也應該有類似的輸出。聚類假設應用于分類問題，而流形假設則可以應用于其他任務。某種意義上，流形假設是聚類假設的泛化。無論采取哪種假設，半監(jiān)督學習的基礎是，無標簽的數據為基準數據(groundtruch)分布提供了有用的信息。因此，半監(jiān)督學習的一個關鍵是利用未標注樣本的分布信息。半監(jiān)督算法根據目的可以分為分類、降維、回歸、聚類；根據模型種類可以分為半監(jiān)督支持向量機、生成式模型、圖半監(jiān)督等。
【參考文獻】

相關期刊論文 前7條

1 張敏靈;;偏標記學習研究綜述[J];數據采集與處理;2015年01期

2 劉建偉;劉媛;羅雄麟;;半監(jiān)督學習方法[J];計算機學報;2015年08期

3 王曉峰;隨婷婷;;基于TIGA_S4VM改進算法的蛋白質序列識別方法[J];山東大學學報(工學版);2014年01期

4 周志華;;基于分歧的半監(jiān)督學習[J];自動化學報;2013年11期

5 崔鵬;;一種用于半監(jiān)督學習的核優(yōu)化設計[J];軟件工程師;2013年09期

6 王春瑤;陳俊周;李煒;;超像素分割算法研究綜述[J];計算機應用研究;2014年01期

7 吳毓龍;袁平波;;密度敏感的距離測度在特定圖像聚類中的應用[J];計算機工程;2009年06期

相關博士學位論文 前1條

1 姜震;基于差異的半監(jiān)督學習中有關算法和理論研究[D];復旦大學;2012年

相關碩士學位論文 前3條

1 馬樹志;基于深度學習的肝臟CT影像分割方法的研究與應用[D];吉林大學;2017年

2 樊萬姝;基于半監(jiān)督模糊聚類的醫(yī)學圖像分割系統(tǒng)設計[D];大連理工大學;2013年

3 易星;半監(jiān)督學習若干問題的研究[D];清華大學;2004年

本文編號：2892790