登录

  • 登录
  • 忘记密码?点击找回

注册

  • 获取手机验证码 60
  • 注册

找回密码

  • 获取手机验证码60
  • 找回
毕业论文网 > 开题报告 > 机械机电类 > 测控技术与仪器 > 正文

基于深度学习的医学图像分析研究开题报告

 2020-02-20 08:14:22  

1. 研究目的与意义(文献综述)

在日常生活中,人们经常可以见到图像的影子,医学图像便是其中之一。随着近十几年来计算机技术的飞速发展,越来越多的学者致力于数字图像的研究中并将其广泛应用,因此医学图像的发展进入到了一个新的阶段。
医学图像不断地发展,是为了让人类更加了解自己,更好的为人类自身服务。从古代人类认识自己仅靠外表特征和身体表现,到如今借助各种医疗设备及医学图像来进行病情的观察。随着医疗设备的更新换代,医学图像的种类也越来越多。现在,医学图像被广泛应用于临床实验中,已经成为帮助医生进行疾病预防,诊断和治疗的重要手段,从而大大改善了医疗条件。然而,与此同时也产生了新的问题。第一点:随着人们生活水平的提高,人们对于生活质量的要求也会越高。医院每天会产生各种各样的医学图像,在医疗人员数量有限的情况下,繁重的工作任务会导致工作人员工作疲劳,效率下降,甚至也有可能导致医院的误诊率增加,造成不良的影响,因而如何快速的对医学图像进行处理就显得尤为重要。第二点:由于不同的医生存在不同的个体差异,医生们对于同一疾病的认识和治疗经验存在差异,对同一疾病的诊断结果可能各不相同。这种情形下,更加凸显了计算机技术在医学图像中的重要地位。
较早的医学图像识别基本采用的是机器学习(machine learning,ml)的方法,主要分为以下四个步骤:首先对图像进行预处理,这一步使用是滤波去噪等方法,第二对医学分割来得到疑似组织,人工提取特征,再结合分类器,来对病变图像进行识别。早期医学图像识别面临的问题在于,步骤繁琐,识别率低下,耗时长。但是国内外学者一直坚持对机器学习进行大量研究。自20世纪80年代来,机器学习在理论,算法等方面都取得了巨大的进步。
自2006年以来,机器学习领域中的“深度学习”课题受到学者们广泛地关注。深度学习(deep learning,dl)是机器学习中基于对数据进行表征学习的方法,它通过建立类似人脑的分层的模型结构,对输入数据逐级提取从底层到高层的特征,从而能够很好地建立从底层信号到高层语义的一个映射关系[1] 与传统的机器学习相比,深度学习能够自动提取特征并进行分类,极大地提高了正确率,克服了早期图像识别不全面的问题。近些年来,受益于更强大的计算机的产生和更广范的数据,深度学习有了更好的发展并应用于各种不同类别的图像处理中,对于医学图像识别技术应用研究中出现的问题具有重要的意义[2]。深度学习将会给医学发展注入鲜活的生命力,推动医学发展走向一个更加光明的未来。
目前,深度学习方法已经在医学表征和分类学习上有了显著的进展,许多研究人员也取得了不错的成果,为医疗事业做出了巨大的贡献。
2013年,plis采用dbn成像来识别huntington病变,结果表明深度学习方法能够学习生理上的重要表征,对于神经影像学来说有着很大的潜力[3]。cruz-roa把自编码神经网络用于识别医学图像中的肿瘤细胞,与传统方法相比较,此方法的精确率提高了7%[4]。2014年,roth通过卷积神经网络方法用于淋巴病结的识别,使得淋巴结检测结果的准确率提高了27%[5]。brosch用三个dbn对大脑进行建模,该模型可以自主对大脑的脑白质进行病变识别[6]。2015年,gao使用cnn(convolution neural network,cnn) 建立了一个自动学习的模型,该模型可以识别图像中白内障的病变,将准确率提高了5.6%[7]。2016年以来,研究人员在乳腺肿瘤,糖尿病视网膜病变等进行了研究。kooi把cnn应用于乳腺病变的识别,在灵敏度低的情况下,与传统方法相比效果更优,在灵敏度高的情况下,精确率更高[8]。setiocai提出包含多个二维的cnn多视图卷积网络来检测肺结节病情,采用数据增强(date augmentation)的方法可使准确率达到90.1%[9]。li等人采用cnn来分类间接性肺病[10]。2017年,esteva在《自然》杂志上发表了关于皮肤癌检测的文章,在文章中提及的模型检测的准确率已经超过了专业要求[11]
国内的医学图像识别模式虽然起步较晚,但也取得了不错的成果。西北大学李炳春等人提出了rbf网络分类器对乳腺肿瘤图片进行分类,使得准确率达到了76.6%[12]。同济大学徐菲菲等人采用模糊粗糙集对肿瘤模型进行分类,选取急性白血病亚型和直肠癌基因进行试验,结果表明模糊粗糙集对于医学图像分类具有可行性[13]。浙江大学叶萌萌根据肿瘤细胞边界存在差异的特征,提取肿瘤细胞的边界特征,利用向量机对边界特征,半径,熵和面积进行训练和测试[14]。为准确识别肿瘤的恶性还是良性提供了一个诊断手段。徐娜娜等人利用nsct的特性,将mr图像变换到频域中,然后用svm进行识别,结果表明准确率吧可以达到100%[15]。卢星凝等人对于ca算法和svm集成相结合的方法提出了改进,改善了原有存在的冗余问题,改进后的准确率和敏感度得到了提高[16]
随着计算机技术的不断发展,基于深度学习的医学图像的识别将会越发的成熟,将会给人们带来更多的便利。



剩余内容已隐藏,您需要先支付后才能查看该篇文章全部内容!

2. 研究的基本内容与方案

主要研究内容及目标如下:

(1)对不同的关于心律不齐的分类方法进行对比分析;

(2)确定本课题识别分类方法;

剩余内容已隐藏,您需要先支付后才能查看该篇文章全部内容!

3. 研究计划与安排

第1-2周:查阅相关文献资料,明确研究内容,了解研究所需的相关知识。确定方案,完成开题报告。

第3-6周:完成英语论文翻译和熟悉原理、方法和软件。

第7-9周:完成模型设计。

剩余内容已隐藏,您需要先支付后才能查看该篇文章全部内容!

4. 参考文献(12篇以上)

[1] 杨培亮.基于深度学习的医学图像分类方法研究[j].余凯,贾磊,陈雨强,徐伟.深度学习的昨

天、今天和明天[j].计算机研究与发展, 2013,50(9):1799-1804.

[2] 陈诗慧,刘维湘,秦璟,等.基于深度学习和医学图像的癌症计算机辅助诊断研究进展[j].生物

剩余内容已隐藏,您需要先支付 10元 才能查看该篇文章全部内容!立即支付

企业微信

Copyright © 2010-2022 毕业论文网 站点地图