5个研究背景和意义示例,教你写计算机肺炎论文

今天分享的是关于肺炎的5篇计算机毕业论文范文, 如果你的论文涉及到肺炎等主题,本文能够帮助到你

基于深度学习的肺炎X射线图像分类算法研究

这是一篇关于肺炎,卷积神经网络,深度学习,图像分割,胸部X射线图像分类的论文, 主要内容为目的:自新型冠状病毒疫情(Corona Virus Disease 2019,COVID-19)爆发以来,对全球人民的健康和福祉产生了巨大的影响。早期识别临床表现对于能够在短时间内启动正确的预防措施和支持治疗以避免患者出现可能的并发症至关重要。逆转录聚合酶链反应(Reverse Transcriptase-Polymerase Chain Reaction,RT-PCR)检测是一种主要的COVID-19检测手段,同时结合影像学检查可以更好的筛查COVID-19。针对新冠肺炎、病毒性肺炎X射线图像影像学特征相似难以辨认的问题,本文使用基于深度学习的方法,提出了一种两阶段的网络模型,第一阶段基于空洞空间金字塔池化(Atrous Spatial Pyramid Pooling,ASPP)的U-Net网络对肺部进行分割,第二阶段通过深度学习网络(Dense Net121、Res Net18)对新冠肺炎、病毒性肺炎X射线图像、正常胸部X射线图像进行三分类,减少漏诊误诊提高准确率以辅助医生更好的做出诊断。方法:提出一种使用分割网络对肺部进行提取,再使用分类网络对分割后的图像进行分类的两阶段网络,包括分割和分类两个过程。首先,采用基于空洞空间金字塔池化的U-Net网络结构以实现高效的密集特征提取对肺部组织进行分割,该结构引入了空洞空间金字塔池化模块,该结构使用多个不同扩张率的并行空洞卷积层来有效地实现映射。采用空洞空间金字塔池化替代U-Net网络的底层,提取多尺度信息从而提高分割精度。采用该结构实现对X射线图像预测掩膜,从而提取肺部区域,去除肺部区域以外的干扰信息以消除其对模型分类造成的影响。接下来,对提取出肺部区域的数据集使用深度学习网络(Dense Net121、Res Net18)进行分类,与未提取肺部区域的数据集使用深度学习模型训练的效果进行比较。结果:基于空洞空间金字塔池化的U-Net网络的测试集分割准确率达到99.37%,Dice相似系数达到98.66%,交并比达到97.36%。Dense Net121网络使用原始数据集训练,宏查准率、宏查全率、宏F1、准确率分别为92.42%、92.32%、92.36%、92.32%。Dense Net121网络使用分割肺部数据集训练,宏查准率、宏查全率、宏F1、准确率分别为94.07%、94.05%、94.06%、94.05%。Dense Net121模型使用分割肺部数据集与原始数据集训练相比,测试集的宏查准率、宏查全率、宏F1、准确率分别提升了1.65%、1.73%、1.70%、1.73%。Res Net18网络使用原始数据集训练,宏查准率、宏查全率、宏F1、准确率分别为92.54%、92.56%、92.55%、92.57%。Res Net18网络使用分割肺部数据集训练,宏查准率、宏查全率、宏F1、准确率分别为93.96%、93.93%、93.94%、93.93%。Res Net18模型使用分割肺部数据集与原始数据集训练相比,测试集的宏查准率、宏查全率、宏F1、准确率分别提升了1.42%、1.37%、1.39%、1.36%。结论:肺野分割是胸片计算机辅助诊断系统的重要前提,其精确地定义了观察区域。结果表明从胸部X线图像分割出肺部对模型分类有一定的提升。分割肺部有助于卷积神经网络确定主要感兴趣的区域,能够帮助深度学习模型做出诊断决策以提高分类性能,并增加计算机辅助诊断的可靠性。

基于深度学习的胸部图像识别与应用

这是一篇关于胸部图像,肺炎,局部优化与全局优化,多层多标签分类,系统设计的论文, 主要内容为在对胸部疾病的诊断过程中,X射线图像因其成像快、对人体影响小等优势,成为初步筛查阶段最有优势的临床病种检测手段之一。但胸部病种鉴别并非单一孤立的工作,其与胸部中的其他病种存在复杂的内在联系,因此医师准确鉴别病种的难度较大,而胸部X射线图像不可避免地存在病理区域较小、成像组织重叠的问题,也为医师的病种检测与病理区域定位造成了阻碍。基于以上问题,本文深入研究了深度学习算法的多病种分类能力。考虑不同病种之间的关联关系,实现了对图像中胸部区域多病种联合识别与分类。对于个别病种,在模型比较中获得了最高的准确率。此外,就肺炎病种定位的问题,本文在模型基础上设计了病理目标区域定位模块,与其他模型相比也获得了不错的定位准确度,能够起到辅助诊断的作用。最后,本文设计了肺炎检测系统,实现胸部X射线图像中肺炎的自动检测,从而为医师的疾病诊断提供帮助。本文的主要贡献如下:(1)针对胸部病种之间内在联系复杂的问题,本文首先组织了一种标签树的约束原则,对各病种之间的内在联系进行了形式化定义,以对网络模型进行针对性地训练引导与结果输出。其次,本文提出了一种结合全局优化与局部优化的网络架构,在该架构中,全局网络对图像中所有病种进行分类,同时局部网络对标签树中各层的病种进行分类,从而增强分类结果的可靠性,加快网络收敛。最后,本文结合自顶向下的分类原则及使用汉明损失思想改进的交叉熵损失函数,使网络的梯度优化更有针对性。实验证明,本文中的方法提高了病种整体检出的能力,对标签树中高层节点病种的检出能力尤其突出。(2)针对X射线图像病理区域小,成像组织重叠而导致的病种区域定位困难的问题,本文为充分利用所设计模型的特征,相对于从X射线图像中分割出精确的肺炎病理区域的方法,转而采取弱监督的方法,使用网络的分类结果生成热力图像,实现病种区域的定位,辅助医师关注重点区域。实验表明,该方法在Io U评价标准下取得了良好的评价指标。(3)在肺炎检测系统中,根据需求分析设计了系统的功能模块,并使所设计的数据关系模式符合关系型数据中的范式要求,从而降低增删改查对数据库的压力。在整体架构设计上,本文采用B/S架构降低系统对客户端的要求。针对图像数据量大的问题,将系统后台与阿里云的OSS进行关联,从而减少对本地存储的要求。

基于深度学习的新冠肺炎胸片识别研究

这是一篇关于新冠肺炎,肺炎,深度学习,卷积神经网络,可解释性的论文, 主要内容为现在深度学习方法已经广泛应用于医学界的各种疾病检测中,为医学工作者带来了诸多便利。从2019年武汉新冠肺炎(COVID-19)疫情爆发至今,全国乃至全球人民都不可不避免地受到疫情的影响,为此各大医疗机构都加设了疫情专区,以便更有效、安全地服务患者。另外,新冠肺炎作为肺炎疾病的一种,在临床表现上有许多相似的地方,例如都会表现出咳嗽、呼吸困难等症状;在影像方面,无论是X射线检测影像还是CT影像,两者也有很多相似之处。因此理清两种肺炎的影像特征也成为了当下社会关心的问题。本文实验了一些知名的解决方案,可以快速区分出新冠肺炎胸片和正常胸片。我们还通过一些可解释性方法,可以更深入地了解与新冠肺炎病例相关的关键胸片影像因素,进而辅助临床医生筛查。本文工作可以加快开发用于检测COVID-19病例的高精度且实用的深度学习解决方案,可以加快识别有肺炎症状的病人。本文尝试了使用三种传统卷积神经网络模型(VGG、Res Net、Dense Net)和一种新的模型——孪生神经网络+SVDNet来检测新冠肺炎,将新模型的实验结果与现有的传统模型的实验结果进行对比分析。在与现有的成熟的神经网络模型做了对比之后,可以发现,孪生网络+SVDNet的准确率可以达到98.1%,可以实现高效、准确的COVID-19检测深度学习模型。另外,在图像分类领域,可解释性可以通过模型对图像中感兴趣的对象的定位程度来评估。本文在病灶区域的定位问题上采用了基于Score-CAM和基于Grad-CAM的方法,此方法可以产生对应的特征图,从而将肺部发生病变区域的特征以可视化的形式展现,结果发现这两种方法能定位一些典型病灶区域,但也存在一些定位偏差,这也为未来的工作指明了方向。之后我们在两种方法的实验结果中通过抽取样本来判断它们的准确程度,结果表明Score-CAM能明确定位61%左右的胸片样本的病灶特征,而Grad-CAM只有51%。我们还采用一种评估指标,即平均下降和平均增加(Average Drop/Average Increase)来评估Score-CAM和Grad-CAM这两种可解释性方法定位病灶的定位性能,可以发现Score-CAM有着较低的Average Drop和较高的Average Increase,定位性能更好。本文所实验的技术在医学影像检测领域,尤其是在肺部疾病检测中特别有前景,这有助于早期、快速且可靠地筛查COVID-19。

基于深度学习的胸部X光片下肺炎智能诊断技术研究

这是一篇关于肺炎,胸部X光片,深度学习,多任务学习,超参数优化,智能诊断的论文, 主要内容为基于医学影像的深度学习技术被广泛应用于各种疾病的智能诊断方面,尤其是在现今全面放开、流感频发的环境下,医疗资源负担在肺炎类型的检测方面急剧增加。使用深度学习技术开发深度学习模型,并进一步部署计算机辅助诊断系统对缓解医护人员负担、提升诊断效率具有重大意义。在众多医学影像类型中,胸部X光片由于其便携性、快捷性以及对患者身体的低负担,更容易被患者所接受,而在开发深度学习模型的过程中,由于其公共数据集的完善,大多研究也基于胸部X光片进行。由不同感染因子引起的不同类型肺炎对应着不同的治疗方案,因此,本研究的目标是开发一种深度学习模型从胸部X光片中同时精准识别正常、COVID-19、其他病毒性肺炎和细菌性肺炎四种类别样本。针对上述肺炎分类任务而言,深度学习模型的开发有两个关键点:针对分类任务如何尽量提升模型的肺炎细分类能力,以及训练出的模型如何避免出现域内泛化性降低的问题。第一个关键点的肺炎细分类能力即为模型对不同类型肺炎之间的分类能力,解决方式通常是加入各种注意力模块对基础网络架构进行改进,使模型更加关注不同肺炎图像样本之间具有差异性的区域。第二个关键点的域内泛化性即不具备外部测试的情况下的训练-测试泛化性,通常的解决方式是设计优化策略干预模型的训练过程。本研究针对这两个关键点分别从网络架构优化和模型训练优化两个角度出发展开探索,最终提出多分支融合辅助学习策略,并将其进行部署,初步开发了CXR肺炎智能诊断系统,主要研究如下:(1)在网络架构优化方面,本文在提出一种结合可变形卷积和高效通道注意力的双重注意模块的基础上,对单任务和多任务两种网络架构模式在肺炎智能诊断任务上的优劣进一步探索,前者使用一个具有单输出结构的网络直接执行多分类任务,而后者使用一个具有多输出结构的网络同时执行多个具有相关性的任务,提出了单任务分支双重注意网络和任务驱动型多分支双重注意网络。实验结果表明,任务驱动型多分支双重注意网络在整个数据集上的分类准确率能够达到94.90%,相比单任务模式的网络提升了0.2～4.7个百分点。(2)在模型训练优化方面,本文提出自适应权重惩罚超参数,将单一的权重惩罚因子扩展到逐参数的权重惩罚因子,对模型的每个参数进行不同等程度的权重衰减,并且基于与训练集独立的一小批在线验证集的损失值,使用基于梯度的超参数优化算法对逐参数的权重惩罚因子进行自适应调节。实验结果表明,仅将该优化策略应用到一个基础网络上就能使其分类性能在整个数据集上从90.25%提升至95.03%,说明在肺炎智能诊断任务上域内泛化性比模型的肺炎细分类能力影响更大。(3)综合两个角度的研究结果提出问题:为了提升模型的肺炎细分类能力而进行各种网络架构优化会使模型复杂度提升,从而增大过拟合风险,使改进的网络架构不能充分发挥其优势,提升的分类性能会被降低的域内泛化性抵消一部分。出于提升模型的肺炎细分类能力同时保持模型复杂度不变的目的,使用辅助学习策略结合基于梯度的超参数优化策略,将网络架构优化用于辅助任务的分支结构设计,然后将该部分视作模型的超参数,仅用于辅助模型训练而不参与训练完毕的模型应用阶段。通过训练阶段的超参数优化对模型参数产生影响来提升模型的肺炎细分类能力,不改变最终的模型复杂度,并且基于在线验证集更新超参数提升模型域内泛化性。提出的多分支融合辅助学习策略在整个数据集上的分类准确率可以达到95.82%,相比其他先进算法提升了0.4～0.8个百分点,并且在各个类别上的指标都更优。综上所述,提出的多分支融合辅助学习策略能够对肺炎智能诊断任务具有较好的分类性能,能够实现肺炎快速筛查的目标,为模型设计提供了一种新颖角度。