6个研究背景和意义示例,教你写计算机医学图像分类论文

今天分享的是关于医学图像分类的6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

基于量子混合神经网络的医学图像分类方法研究

这是一篇关于医学图像分类,量子层,迁移学习,DQCs,集成模型的论文, 主要内容为近年来,新型冠状病毒(Novel Coronavirus 2019,COVID-19)因其传染性较高的特点,导致医疗压力日益增大,而应用广泛的COVID-19核酸检测与抗体检测亦存在一定的假阴性。胸部CT扫描图像和胸部X-ray图像在COVID-19疫情下应用最为广泛,对此类图像的准确检测,能有效辅助判断人们是否感染COVID-19的诊疗问题。因此,本文主要针对胸部CT扫描图像和胸部X-ray图像提出了基于量子混合神经网络的医学图像分类方法。主要工作如下:首先,分析胸部CT扫描图像和胸部X-ray图像的像素值分布,分析其像素分布是否均匀,以判断图像是否需要预处理。如若需要预处理,则使用直方图均衡化的方法使图像像素均匀分布。实验结果表明,直方图均衡化后的胸部CT扫描图像相较于原胸部CT扫描图像而言,在所提出的两种量子混合神经网络模型上精度分别提升了6%和7.8%,能够有效对医学图像进行分类。其次,提出了基于混合量子经典计算(Hybrid Quantum-Classical Computing,HQCC)模型的医学图像分类方法。该分类方法的特征提取部分由自创建的前置残差卷积网络(Pre-Residual Convolutional Network,PRCN)组成,主要由级联卷积与残差块构成,能够将图像的浅层特征与深层特征相结合,以便学习到更丰富的图像信息。同时,引入具有量子神经元的量子层,通过参数化量子电路来增强量子计算的灵活性和通用性,并与PRCN结合充当分类器。其所形成的HQCC模型能够平缓训练的收敛趋势并减少编译损耗,提升了模型分类性能。再者,提出了基于迁移学习的经典-量子集成(Classical-to-Quantum Ensemble,Ensemble(CQ))模型的医学图像分类方法。引入了更加复杂的量子电路,即Dressed Quantum Circuits(DQCs),能够有效获得量子优势,提升模型分类性能。使用Res Net50、VGG16以及Alex Net三种预训练模型,分别与DQCs级联。同时,为提升模型的稳健性,将与DQCs级联后的三个单模型再与DQCs集成,以此形成多模型集成。在该模型上,胸部CT扫描图像和胸部X-ray图像的分类准确率分别高达80.8%和96%。最后,通过乳腺超声图像和脑肿瘤图像的验证,证明了本文所提出的量子混合神经网络能够有效对医学图像进行分类。同时,也有力地说明了在基于深度学习的医学图像分类方法研究中引入量子电路具有一定的价值与意义。

基于深度学习的骨肉瘤和骨软骨瘤分类与实例分割

这是一篇关于骨肉瘤,骨软骨瘤,X线光片,医学图像分类,实例分割的论文, 主要内容为骨肉瘤和骨软骨瘤分别是骨肿瘤中最常见的恶性和良性肿瘤。由于骨肉瘤具有相当高的恶性程度,多数骨肉瘤患者在一年期间内出现肺转移,因此及早诊断、严格治疗是提高生存率的关键。骨软骨瘤可能会引发骨折和摩擦性滑囊炎,影响患者行动,且有恶变的可能性,尤其是多发性骨软骨瘤恶变率更高。由于这两种瘤的病变部位具有相似性,且在骨肉瘤产生肿瘤骨阶段时,其形状纹理与骨软骨瘤又极度相似,正确诊断和区分骨肉瘤和骨软骨瘤是一项具有挑战且很重要的工作,不然,会使得患者错过最佳诊断时机或采取不必要的治疗方案。近年随着科技的发展,X线光片在骨肉瘤和骨软骨瘤的病理分析、临床诊断和计算机辅助医疗等方面发挥了重要的作用,因此,X线光片的智能识别工作迫在眉睫。目前,传统机器学习方法在图像识别领域已经很难突破瓶颈,而深度学习方法不仅能够有更高的准确率,还能有效地提高诊断的效率。本文利用深度学习对骨肉瘤和骨软骨瘤的X线光片医学图像展开了研究,为了进一步提高对骨肉瘤和骨软骨瘤的分类与实例分割精度,具体研究内容和结果如下:(1)首先,对从陆军军医大学第二附属医院收集得到211张骨肉瘤和355张骨软骨瘤的X线光片医学图像进行预处理。针对图像中存在不相关的冗余背景区域以及病变区域不明显的问题,采用三角阈值分割法对图像进行二值化,使用开运算和闭运算解决前期三角阈值分割法遗留的噪声和孔洞问题,使用对比度受限自适应直方图均衡化提高原始数据集对比度,突出病变区域。将分割后的二值图和对比度受限自适应直方图均衡化处理后的图像进行与操作,最终得到只包含人体组织区域的图像。(2)采用提出的基于ResNet50的模型对骨肉瘤和骨软骨瘤的X线光片进行分类。针对Res Net50在数据集有限的情况下,提取的特征不全面,导致分类准确率不高的问题,本章节首先训练一个自编码器,然后将自编码器中的编码器部分与Res Net50特征融合,再将融合的特征与编码器特征进行对抗学习训练,获取到了更多有效特征,最后将提取的特征输入分类器中实现对骨肉瘤和骨软骨瘤分类。对截取感兴趣区域后的650张肿瘤图像使用旋转、翻转等方式进行数据扩增,并采用留出法训练模型,在训练过程中使用64张图像验证,最后在包含109张图像的测试集1和77张图像的测试集2上获得了94.17%和96.06%的F1-score值。(3)为了进一步确定病变区域和不同实例,采用提出的基于MaskR-CNN的模型对骨肉瘤和骨软骨瘤的X线光片进行实例分割。针对Mask R-CNN原始骨干网络获取的有效特征不精确,导致实例分割精度不高的问题,提出了共享核空洞卷积池化模块和注意力机制模块,将共享核空洞卷积池化模块和注意力机制模块添加到Mask R-CNN骨干网络的最后一层,有效提高了模型对肿瘤语义特征的辨识能力,并在后处理过程中使用去重叠模块改善预测掩膜重叠的现象,最终提升了对骨肉瘤和骨软骨瘤的实例分割精度。对378张肿瘤图像使用旋转、翻转等方式进行数据扩增,并采用留出法训练模型,在训练过程中使用53张图像验证,最后在包含84张图像的测试集1和61张图像的测试集2上获得了95.59%和96.12%的mAP值。本文提出的深度学习方法对X线光片上骨肉瘤和骨软骨瘤的分类以及对其实例分割都有效,为辅助医生诊断和提高初筛诊断效率提供了方法学参考,也为后续治疗提供了参考意见。

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。

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。

基于深度可分离卷积神经网络的肺炎医学图像分类研究

这是一篇关于计算机视觉,卷积神经网络,医学图像分割,注意力机制,医学图像分类的论文, 主要内容为肺炎疾病是常见的呼吸系统疾病,具有高发病率和高致死率的特点。近年来,新冠病毒不断变异,导致肺炎疾病更加难以区分,且仅依靠医生的个人理论和经验使用传统方法进行图像排查,容易造成误诊。当然,传统方法的准确度满足临床需要,但对医务人员的理论和经验具有较高的要求,可胜任的医生数量相对不足,若患者因不能及时治疗出现白肺,会直接威胁生命健康安全。然而,无论是新冠肺炎患者的胸部X光图像还是CT图像都具有一定的特点,若能对其进行正确判读,既可缓解医生巨大阅片压力,又可提高诊断的准确率。基于深度学习的医学图像分类技术不仅是科学研究的重要方向,也是临床医疗中一种关键的辅助诊断方法。基于上述情况,本文对基于卷积神经网络胸部X光和CT图像的肺炎分类方法进行了比较深入的研究。主要研究工作如下:(1)构建胸部X光和CT图像混合数据集,该数据集共包括健康肺部、普通肺炎和新冠肺炎三种类别,每个类别3000张图像,由胸部X光和CT图像接近1:1比例构成。总数据集为9000张图像,并按照8:2比例随机划分训练集和测试集。(2)给出一种同时适合胸部X光和CT图像增强方法。由于图像来自不同数据集,且X光和CT图像成像方式不同,为使图像更适合基于卷积神经网络的肺炎图像分类网络,采取图像增强方式,对图像的亮度和对比度进行统一。在峰值信噪比、结构相似性和直方图三个指标下,对比直方图均衡化、Gamma变换、限制对比度自适应直方图均衡化三种图像增强方法,选取限制对比度自适应直方图均衡化为本文图像增强方法。在此基础上,采用几何变换方法进行数据增强。(3)给出一种基于深度可分离金字塔网络肺部图像分割方法。在U-Net模型上进行改进,使用深度可分离卷积模块降低参数量,通过特征融合模块进行上采样,并借助跳跃结构的注意力模块提取关键特征。给出的方法在Montgomery数据集、JSRT数据集和混合测试集上进行测试,MDice分别可达97.23%、97.61%和99.80%,MMIoU分别可达94.68%、95.35%和99.60%。同时,本章模型的时间复杂度和空间复杂度与其他方法相比均有所下降,验证了本章方法的有效性。(4)给出一种基于深度可分离卷积神经网络的肺炎图像分类方法。本文分类模型在ConvNeXt网络的基础上进行改进,使用Res-Dense-Inception深度可分离卷积模块进行提取特征和降参,并在网络中融合轴向注意力从宽度轴和高度轴两个方向进行自注意力,提升重要位置权重。最后,本文给出的方法在混合数据集上的准确率可达95.61%,同时在COVID-19 radiography database数据集上进行测试,准确率可达89.69%,验证了其可行性和有效性。