论文部分内容阅读
脂肪肝是引起肝功能不全的主要原因,B超已经成为了是目前检测脂肪肝最常用的手段。随着计算机技术及医疗成像技术的迅速发展,医生也面领着越来越多的医学图像诊断任务,为了减轻医生工作压力,计算机辅助诊断系统就显得尤为重要。近年来,深度学习取得了飞速发展,在各个领域都取得了巨大突破。在医疗辅助诊断系统中,深度学习极大地提高了诊断效率,但是对于脂肪肝超声图像识别还未出现相关成熟的研究成果。因此,基于深度学习的肝脏超声图像分类研究具有重要的实际应用价值。针对基于深度学习神经网络的脂肪肝超声图像分类问题中,本文主要探讨了网络模型的建立,参数选择及优化方法等。主要工作有:1、验证了卷积神经网络对脂肪肝超声图像分类的可行性,提出了一种基于卷积神经网络(Convolutional Neural Networks,CNN)的辅助诊断算法用于分类脂肪肝超声图像。该方法先是对真实的超声脂肪肝图像进行预处理,然后通过灰度共生矩阵和对卷积中间过程可视化对其纹理特征进行分析,最后根据纹理特征设计出一个包含跳跃连接的浅层CNN网络,再对比CNN不同参数的分类准确率,最终确定一个最优的CNN模型结构。实验结果表明,与其他分类脂肪超声图像方法相比,该方法对脂肪肝超声图像分类准确率具有较大提高。2、给出了一种基于网格搜索的CNN模型优化方法。该方法先确定一个基线CNN模型,然后通过每秒浮点计算量(Floating-point operations per second,Flops)的约束,限制了 CNN模型的参数空间范围,在基线CNN模型基础上加上提出的约束条件搜索到一个可放大CNN模型。最后,通过对搜索到的CNN模型进行放大,从而获得优化的CNN模型。与常规CNN模型的设计相比,该方法无需根据经验进行手动调整参数,省时省力,并且对脂肪肝超声图像分类准确率超过92%。