9篇关于医学图像分类的计算机毕业论文

今天分享的是关于医学图像分类的9篇计算机毕业论文范文, 如果你的论文涉及到医学图像分类等主题,本文能够帮助到你

基于小波变换和多尺度纠缠重整化拟设的医学图像分类

这是一篇关于小波变换,多尺度纠缠重整化拟设,waveletMERA,量子张量网络算法,医学图像分类的论文, 主要内容为在医疗领域中,医学成像作为一种非侵入式的技术现已成为临床诊断中必不可少的工具。近年来,深度学习方法逐渐参与到临床诊断和治疗中,特别是在医学图像分类任务中,卷积神经网络(Convolutional Neural Network,CNN)逐渐成为最先进的方法。但越来越多研究者发现卷积运算的局域性限制了CNN的全局识别能力,且难以被解决。自2020年以来,Vision Transformer(Vi T)逐渐被作为一种CNN的替代方案,因其具有捕捉长距离空间依赖性的能力。但与CNN一样,Vi T也存在依赖大规模数据集、缺乏可解释性以及计算复杂度过高等问题。而医学图像分类任务需要模型的决策有据可循,且医学图像数据通常较少。量子张量网络近年来被用于机器学习任务当中取得了蓬勃的发展。张量网络是一种轻量级的网络模型,在高维希尔伯特空间中做线性运算,因此更容易进行理论分析,更具可解释性。多尺度纠缠重整化拟设(Multi-scale Entanglement Renormalization Ansatz,MERA)是一种量子张量网络,与CNN在结构上具有相似性,且具有捕捉长程纠缠的能力。此外,CNN、小波变换和MERA都具有粗粒化的思想,在物理中被称为重整化群。因此,本文提出一种结合小波变换和MERA的轻量级量子张量网络算法用于在医学图像分类任务中,尝试规避CNN和Vi T在医学图像分类任务中存在的问题。具体来说,本文的主要工作如下:(1)构建结合Daubechies D4小波变换和MERA的wavelet MERA张量网络算法。结合小波变换与MERA的思想最早来源于小波与重整化群间的联系,相关研究者以此建立起了小波与量子电路之间的对应关系,再将这种关系映射到小波与MERA之间。本文以这些研究的思想为基础构建起了wavelet MERA张量网络算法模型,并在MNIST数据集上对wavelet MERA的图像分类能力进行初步验证,能够达到96%的分类准确率。(2)将wavelet MERA应用到两种医学图像分类任务当中。在肺炎检测任务当中,wavelet MERA通过学习肺炎阳性和阴性的胸部X-ray图像,以具备针对肺炎的分类能力,在CXR测试集上达到了98.22%的分类准确率。此外,为提高wavelet MERA的诊断决策的可解释性,本文使用U-Net在胸部X-ray图像中分割出独立的肺部区域,从而减少图像中的冗余特征,将模型的判断依据集中在肺部区域。在分割后的图像数据集中,wavelet MERA在测试集上达到了99.50%的分类准确率。在恶性肺结节检测任务当中,将胸部CT图像中的肺结节提取出来训练wavelet MERA,使其具备分类良性和恶性肺结节的能力,在测试集上达到98.53%的分类准确率。同时,通过与其他优秀的张量网络模型和深度学习模型的对比实验,进一步展现了wavelet MERA在医学图像分类任务当中的有效性。(3)设计并实现一个可用于辅助诊断肺炎和恶性肺结节的智能CAD系统,该系统基于B/S机构,通过Vue.js等前端技术设计实现交互页面,使用基于Python的Flask框架构建后端控制服务,以wavelet MERA作为核心运算中心,意在为当前市面上的医疗管理软件提供可直接嵌入式的辅助诊断功能。经测试,系统功能正常且运行稳定,达到预期设计目标。

背景平衡优化方法在细粒度医学图像识别中的应用研究

这是一篇关于细粒度图像识别,计算机辅助诊断,医学图像分类,前背景不平衡,背景平衡优化,细粒度图像分割的论文, 主要内容为细粒度图像识别是计算机视觉领域的热门研究方向,由于皮肤疾病、胃肠道疾病等医学图像数据集具有典型的类间差异小类内差异大等细粒度特征,使得细粒度医学图像分类具有挑战性。近年来计算机辅助诊断发展迅速,这也为医学图像分类提出了新的要求,本文从细粒度图像分类的思路出发,做出了如下工作:1.背景平衡优化模式分析:在实验中发现细粒度图像分类研究广泛存在着前背景不平衡问题,产生前背景不平衡问题的根本原因为前景样例数与背景样例数的不对等,背景样例数往往远大于前景样例数。如针对CUB鸟类数据集使用Vi T作为基本分类网络能达到91.03%的准确率,当我们利用相应算法删除一部分背景就能将准确率提升至91.94%。本文的所有实验都是基于前背景不平衡问题进行。2.提出细粒度级自然图像背景平衡优化方法:由于在医学图像分类领域对于细粒度的研究较少,本文先在细粒度级自然数据集上验证所提出的想法,再应用于细粒度级医学图像数据集。在针对前背景不平衡问题基础上,本文提出了固定裁切、基于尺度归一化裁切和基于图像区域膨胀的背景平衡优化(Background Balance Optimization,BBO)算法等三种背景平衡优化方法来改善前背景不平衡问题。针对CUB鸟类数据集和Stanford Dogs狗类数据集,在Res Net与Vi T网络基础上使用本文提出的BBO算法均取得良好效果,证明本文方法在数据集与网络模型上具有泛化性。在CUB数据集使用基于BBO的Vi T网络基础分类准确率能达到91.94%,性能提升显著且优于当前主流分类模型。3.提出基于背景平衡优化的细粒度级医学图像分类方法:针对医学图像数据集的特殊性,本文提出了固定裁切、基于掩膜膨胀裁切和基于掩膜膨胀的BBO算法等三种背景平衡优化方法用于改善医学图像分类任务种前背景不平衡问题。针对ISIC皮肤病图像数据集与Kvasir胃肠道疾病数据集,对Res Net与Vi T等基础网络进行微调后,使用BBO算法均有一定的提升。同时本文也针对现有的主流医学分类模型进行了泛化性实验,在基于Nils等人针对ISIC2018模型基础上使用BBO能将准确率提升至86.67%。在基于Alxiang等人针对ISIC2019模型基础上使用BBO能将准确率提升至74.17%。4.提出基于背景平衡优化的细粒度级医学图像分割方法:针对现在医学图像研究主流的分割任务,本文也进了相关实验,针对现有的主流医学分割模型进行了泛化性实验,对于上下文编码器网络(CE-Net)本文使用BBO将雅卡尔指数(JA)提升至79.1%,对于基于边界感知的新型卷积网络(BA-Net)本文使用BBO将雅卡尔指数(JA)提升至81.2%,证明了本文提出的前背景不平衡理论与背景平衡优化算法在分割任务中同样适用,对于分割模型也具有泛化能力。

糖尿病视网膜病变智能诊断技术研究

这是一篇关于糖尿病视网膜病变,医学图像分类,特征融合,轻量化模型,注意力机制的论文, 主要内容为糖尿病性视网膜病变(DR)是引起人类视觉损伤和失明的主要因素。临床研究显示,只有对糖尿病人进行早期DR筛查和及时诊断,才能预防其视力衰退。目前病变主要通过人工诊断的方式进行治疗,然而随着筛查数量的增加,医生在诊断时非常容易出现漏诊、误诊、反馈不及时等问题,从而错过病情的最佳治疗时机。为此,亟需开发有效的智能技术来进行病变诊断。近年来,机器学习和深度学习等智能技术被广泛应用于糖尿病视网膜病变诊断领域,对于辅助医生进行大规模筛查,提高分类精度和诊断效率发挥了重要作用。本文结合经典图像处理技术,基于机器学习和深度学习方法研究DR等级分类问题,具体研究内容如下:(1)为了解决图像光照不均、数据不平衡等问题的干扰,采用裁剪、灰度化、颜色与亮度归一化、图像增强、伽马校正以及图像扩充等预处理操作。其中图像扩充采用翻转、平移、旋转等。(2)基于已有模型仅针对深度特征进行融合的问题,提出一种多类别特征融合分类模型。根据眼底病灶的特点,在提取Alex Net、VGG-16和Res Net-50三种深度特征的基础上,新添加了Gabor、LBP、HOG以及Haralick等四种影像组学特征,并采用双层特征融合网络对四种影像组学特征和三种深度特征进行筛选,最后通过SVM、RF、KNN、ELM对病变进行分级,其准确率分别达到88.64%、86.63%、86.27%、85.61%。有效避免了深度网络底层特征提取不足以及因影像组学特征维度较少造成的特征丢失问题。(3)为提高模型对小病灶的关注程度,提出一种基于深度可分离卷积和注意力机制的分类模型。其中,注意力机制基于1×1卷积和激活函数对关键特征进行识别,同时采用轻量化模块对模型的标准卷积进行替换,在保证精度的同时,实现病变的快速分类。经过在数据集上验证,其分类准确率达到91.5%,召回率达到90.3%,参数量为12.24M,FLOPs为9.74G,运行时间为158.7ms,Kappa值为0.893。在解决多类别特征网络提取背景、结构等无关信息过多,增强对小病灶特征关注程度的同时,有效降低了模型参数,减少运行时间。

基于可解释深度学习和自监督学习的医学图像分类算法研究

这是一篇关于医学图像分类,可解释模型,原型网络,自监督学习,对比学习的论文, 主要内容为近年来,随着人工智能时代的来临和深度学习的快速发展,极大的推动了科研人员在自然语言处理、计算机视觉等领域的科研进程,并迅速将深度学习技术应用于医疗、交通、金融等各个领域。尤其最近随着对深度学习的可解释性模型的研究以及自监督学习的发展,深度学习技术在医疗领域获得了越来越多的应用。医学领域的图像分类不同于其他领域,一方面,由于医学行业的特殊性,相对较少的数据集以及有限的数据标注限制了医学图像分类算法的发展。另一方面,在医学图像分类任务中,算法必须提供可解释性,医学诊断过程必须可解释、透明。因此,医学图像分类算法的研究需要注意“小数据,大任务”的特点以及可解释性的重要性。基于此,本文针对以上所提及的问题,提出了基于可解释的深度学习和自监督学习的医学图像分类算法。对于医学图像分类对于可解释性要求较高的问题,本文提出了一种基于改进神经原型树的细粒度医学图像分类可解释模型MBC＿Proto Tree。该模型能够为分类决策过程提供全局可解释性和局部可解释性。我们首先设计了一种新的多粒度特征提取网络,使用三个新的主干网络进行特征提取,提高了细粒度和多粒度图像的特征提取性能。该模型在软神经二叉决策树层中设计了一个背景原型去除机制,保证了原型的正确更新,实现了对原型路径决策的优化。我们最后还设计了一种新的同时具有叶节点损失和全连接层损失的损失函数,提高了模型的泛化能力。我们在细粒度数据集CUB-200-2011和FGVC-Aircraft上进行了对比实验,最后专门在医学图像数据集Chest X-Ray上进行了对比实验,结果表明,MBC＿Proto Tree算法在提高了图像分类的准确率的同时,提供了更好的可解释性。对于医学图像领域中,专家对数据进行标注的成本过高,从而造成的“小数据、大任务”问题,本文提出了基于层次原型树的自监督对比学习医学图像分类模型HPSCM。该模型基于无标签的图像数据集进行预训练,然后只需要少量的图像标签进行微调,就可以获得一个性能堪比有监督学习的模型,并且提供分类决策过程的可解释依据。该模型首先设计了一种三编码器进行特征提取,从而保证编码器在学习到的表示中保存更多的信息。接下来该模型还设计了一种使用特征矩阵行和列分别进行实例对比学习和原型对比学习的对偶模式,解决图像噪声信息对于对比学习的影响,保证了更加正确的语义信息被用于对比学习。此外,我们设计了一种基于层次原型树的原型对比选择模块,在原型聚类的基础上引入神经原型树,优化了原型训练的过程,保证了模型更好的进行原型决策,并提高了原型决策的可解释性。我们在Image Net数据集上进行预训练并进行了线性分类评估、KNN分类评估和半监督学习评估实验,然后在Places205、VOC07数据集上进行了迁移学习实验,最后在医学数据集Chest14和Che Xpert上进行了基于不同下游标签分数下的医学图像分类实验,我们的模型在这些数据集上均取得了较好的效果。本文针对医学图像分类算法中的可解释性深度学习模型和的自监督对比学习模型存在的问题,分别进行了算法创新,并提出了相应的算法模型。我们进行的多种实验表明,上述两种算法分别在可解释细粒度医学图像分类任务和自监督对比学习医学图像分类任务中,取得了较先进的性能。

面向疾病早期诊断的细粒度医学图像分类技术研究

这是一篇关于医学图像分类,细粒度图像分类,注意力机制的论文, 主要内容为疾病早期诊断能够极大地减轻患者的痛苦、精神负担和经济负担,节约医疗资源。随着深度学习技术的发展,基于深度学习的医学影像分析成为研究热点。然而疾病早期影像中的病灶表现并不明显,甚至连有经验的医生也难以做出精准标注。现有的细粒度图像分类技术为疾病早期影像分析带来启示,但又面临缺乏精准病灶标注以及病灶与背景之间语义关系不明确等挑战。针对疾病早期诊断,研究用于疾病早期影像的细粒度图像分类算法具有重要的理论与实际意义。针对疾病早期影像分析面临的问题,提出了用于细粒度医学图像分类的病灶跨图像注意力模型。该模型由病灶区域提取模块和跨图像注意力融合模块组成,两个模块分别解决不同问题,具体地,针对疾病早期影像缺乏精准病灶区域位置标注的问题,提出两阶段的病灶区域提取模块,先基于卷积神经网络对病灶区域进行定位,然后利用区域生长算法进行精细化提取,从而获得较为精准的病灶区域;针对疾病早期影像中病灶与背景关系语义关系不明确的问题,提出基于跨图像注意力机制的病灶信息融合模块,利用跨图像注意力机制提高模型对病灶区域的注意力,合理分配病灶与背景的权重,从而有效提高模型分类性能。采集了两种常见疾病,即新冠肺炎和股骨头坏死的早期影像数据,用于验证和分析模型对于早期疾病影像检测能力。实验结果表明,提出的模型不仅能够在无标注的医疗场景中有效找出难以区分的病灶,而且找出的病灶较现有方法具有更高的精准度。对比实验结果表明,提出的方法较现有的医学图像分类模型(Alex Net、Visual Geometry Group、Residual Network、Inception、Dense Convolutional Network和Efficient Net)提高了1.73%～21.15%的准确率,较现有的注意力机制模型(Attention Branch Network、Convolutional Block Attention Module和Vision Transformer)提高了2.12%～13.91%的准确率,较现有的细粒度图像分类模型(Stochastic Partial Swap和Mutual-Channel Loss)提高了2.67%～14.68%的准确率。

基于深度学习的胃镜图像分类算法研究

这是一篇关于医学图像分类,注意力机制,深度学习,Transformer,MobileSiT的论文, 主要内容为目前在消化道恶性肿瘤诊断领域,胃镜检查因其应用广泛性发挥着至关重要的作用。然而,由于胃镜图像的识别依赖于医生的人工鉴别,这就容易导致误诊和漏诊等情况的发生。例如,一些消化科医师在诊断早期胃癌时,可能因为缺乏经验或者对于病灶的位置和类型诊断的不准确而忽略了异常信号,从而错过最佳的治疗时机。深度学习在医疗领域有着广泛的应用,胃镜图像的多分类任务也是其中之一,这个工作也非常值得进行深入研究。针对以上问题,本文对基于深度学习的胃镜图像多分类方法进行了研究,主要工作内容如下:(1)为适应胃镜图像数据集的特点,优化网络模型在各种情况下的表现能力和鲁棒性,本文提出了融合SimAM模块的卷积神经网络模型方法。该方法利用注意力机制可以对特征图进行筛选和加权、强化任务相关的特征和抑制对任务无关特征的特点,通过对目标特征进行选择和优化,在实现卷积神经网络模型性能提升的同时不会增加模型的参数量。实验结果表明,在卷积神经网络中加入SimAM可以有效地提高模型的预测准确率。(2)为解决视觉转换器(Vision Transformer,ViT)感受野固定的问题,本文借鉴Swin Transformer(SiT)的思想,提出了一种融合SiT和Mobile ViT的Mobile SiT网络模型方法。通过将Mobile ViT Block中的ViT模块替换为SiT模块,使模型能够实现层级间的信息共享,从而提高模型预测的准确率。在处理后的Kvasir数据集上的实验结果表明,Mobile SiT网络模型准确率相较于VGGNet、Mobile Net V3、Google Net、Mobile ViT以及残差网络(Res Net)等模型的准确率均有着明显的提升。本文采用分类准确率作为实验结果的评价指标,提出的基于Mobile ViT改进后的Mobile SiT并结合了注意力机制的方法在处理后的Kvasir数据集上达到了98.57%的准确率,与基准方法相比,性能有了显著的提高。