中国工程论文网
代写工程论文
当前位置:工程论文网 > 工程硕士论文 > 软件工程硕士论文 > 乳腺X线影像中结构紊乱的软件工程检测与识别

乳腺X线影像中结构紊乱的软件工程检测与识别

时间:2018-09-05 18:50来源:www.e-lunwen.com 作者:lgg 点击:
本文是一篇软件工程论文,软件工程是研究和应用如何以系统性的、规范化的、可定量的过程化方法去开发和维护软件,以及如何把经过时间考验而证明正确的管理技术和当前能够得到
本文是一篇软件工程论文,软件工程是研究和应用如何以系统性的、规范化的、可定量的过程化方法去开发和维护软件,以及如何把经过时间考验而证明正确的管理技术和当前能够得到的最好的技术方法结合起来。(以上内容来自百度百科)今天为大家推荐一篇软件工程论文,供大家参考。
 
第 1 章 绪论
 
1.1 课题研究的背景和意义
作为威胁女性健康常见肿瘤之一的乳腺癌,通过早期的检测及时发现进行治疗是减少死亡率的关键,早期检测普查最常用的技术之一是乳腺钼靶 X 线技术。钼靶图像上乳腺癌最常见的三种病变分别是钙化,肿块和结构紊乱,其中结构紊乱由于其微妙性是最难检测的一种[1]。目前钼靶成像技术常被用于乳腺癌疾病的临床检测中,这是因为其低剂量的X 射线是一种有效的检测技术。图 1.1 分别是乳腺钼靶 X 影像中常见的三种病灶的表现形式。可以看出,乳腺结构较为复杂,在乳腺筛查中,医生由于大量的阅片容易产生视觉疲劳,从而出现漏诊和误诊,为了减少和避免此类情况的发生,计算机辅助诊断技术应用而生,计算机辅助诊断技术是指通过影像学、医学图像处理技术等可能的生理生化手段,结合计算机分析和计算,辅助发现病变,从而提高诊断的准确性。然而,计算机辅助诊断需要有大量数据集的支持。目前,乳腺癌相关的公开数据集主要有 DDSM,MIAS,BCDR 等,这些数据集的建立为计算机辅助诊断奠定了基础。综上所述,计算机自动检测与识别结构紊乱对早期结构紊乱的筛查十分重要,在理论基础和将来的临床应用上都具有广阔的前景。
..........
 
1.2 国内外研究进展及现状
相比于乳腺钼靶图像中钙化和肿块的研究而言,对于结构紊乱的检测研究并不多,但在过去的几十年中,也取得了较大的进展。初始可疑区域定位是结构紊乱检测中的关键步骤,根据检测方法的不同,主要可分为以下几种:基于方向特征的方法,基于分形维数的方法和一些其他方法。基于方向特征的方法:Rangayyan 等[2]提出了 Gabor 滤波和相位图分析法定位初始可疑区域[3],他们在每张图 7.6 个假阳性样本的基础上得到了 80%的敏感度。之后他们进一步介绍了一些新的特征,如径向加权差等[4]。Lakshmanan 等[5]提出了基于几何分析方法的结构紊乱检测方法,用改进的 SUSAN 滤波器对可疑区域进行定位,前馈神经网络作为分类器。基于分形维数的方法:Guo 等[6]在结构紊乱的检测部分使用了分形维数的方法,Anand 等[7]用 Contourlet 变换技术检测乳腺结构紊乱的位置,Nemot 等[8]利用点收敛的毛刺指数检测结构紊乱可疑区域。其他方法:Hara T[9]等使用基于形态学处理和表面分析的方法检测结构紊乱,龚著琳等人[10]在 MIAS 数据集上进行了实验,利用小波分解后得到的图像进行特征提取,提取 12 个 GLCM 特征,最后用优化的 SVM 向量机进行识别,他们得到了 94.7%的特异性,92.1%的准确性和 89.5%的敏感度。然而,结构紊乱检测的结果通常存在大量的假阳性样本,为了减少假阳性,机器学习已经得到了广泛的应用,例如 SVM 分类器,贝叶斯分类器,线性辨别分析等。Gu 等[6]使用 SVM 分类器对结构紊乱进行识别。近几年,TBSVM[11]已被提出,是传统 SVM 的一个新发展。
..........
 
第 2 章 基于 MTBSVM-RFE 的结构紊乱的检测
 
本章主要介绍了结构紊乱的检测方法,根据结构紊乱方向紊乱的特点,使用Gabor 滤波产生方向场图,然后用高斯滤波进行过滤,接着用相位图分析法产生节点图,节点图上使用滑动窗口进行投票,从而得到初始可疑区域。之后介绍了提出的基于 MTBSVM-RFE 的特征选择方法,并使用该方法把提取的三类特征(GLCM,毛刺特征,熵特征)进行特征选择,最后使用选择出的特征训练 TBSVM分类器进行识别,从而减少假阳性个数。本章的检测主要包含以下步骤:1.预处理,包括去除胸肌腱和获取乳腺区域。2.初始可疑区域定位,通过 Gabor 滤波和相位图分析法获取初始可疑区域。3.特征提取,提取三类共 241 个特征。4.特征选择和分类器,使用 MTBSVM-RFE 的特征选择法选出的特征去训练 TBSVM 分类器。5.测试,输入一张新图片作为测试样本进行测试。检测流程图 2.1 所示。
 
2.1 基于 Gabor 滤波和相位图分析法的检测
 
2.1.1 预处理
为了加快对图像的处理速度,本文以 0.5 的采样因子对图像进行降采样。之后,通过最大类间方差(Otsu)方法[17]获得乳腺区域。本文去除了 MLO 视图的胸肌腱,目前已经有自动去除胸肌腱的方法被提出[18],但本文为了操作简便,使用手工方法去除。根据乳腺影像报告和数据系统(BI-RADS)[19],结构紊乱被定义为:“没有明确的,可见的肿块,但正常的乳腺结构发生了紊乱现象,这种紊乱包括从一个点或者局部的放射和收缩,和在实质边缘的紊乱”。由此看出,方向紊乱是结构紊乱的主要特点[20],同时,对方向纹理的分析也是计算机视觉研究的重要任务,已经有许多方法是用来处理这个问题的,如 Radon 变换[21],Contourlet 变换[9]等,为了提取乳腺图像中每个像素的方向场,本文使用 Gabor 滤波方向场分析技术[22]。Gabor 滤波在处理双边不对称的乳腺图像中是十分有用的。
.........
 
2.2 基于 MTBSVM-RFE 的结构紊乱识别
本文对每个 ROI 提取包括 GLCM,毛刺特征和熵特征等在内的三类共 241 个特征。GLCM 特征:GLCM 已经广泛的用于多个领域,包括乳腺癌肿块的识别[31]。本章对每个 ROI 区域提取 GLCM 特征,分别使用‘1,3,5’三个距离和‘0 度,45度,90度,135度’四个方向,即每个初始可疑区域提取12个GLCM 纹理特征矩阵。其中,每个 GLCM 矩阵又包含均值,方差,对比度等在内的 19 个特征。SVM 已被广泛用于许多分类问题上, TWSVM 使用非平行超平面分类,本文使用的是 TBSVM,和 TWSVM 相比,它的显著优点是结构风险最小化引入了正则项,这种改进可以提高分类的性能[11]。
.........
 
第 3 章 基于卷积神经网络和两次迁移学习的结构紊乱识别...... 32
3.1 相关技术介绍 .......... 32
3.2 实验流程 ......... 34
3.2.1 数据增强 ........... 35
3.2.2 第一次迁移学习 ........ 36
3.2.3 第二次迁移学习 ........ 39
3.3 实验结果 ........ 40
3.4 本章小结 ........ 45
第 4 章 结论与展望.......... 46
4.1 内容总结 ........ 46
4.2 研究展望 ........ 46
 
第3章 基于卷积神经网络和两次迁移学习的结构紊乱识别
 
由于乳腺钼靶图像中结构紊乱的检测通常存在大量的假阳性区域,结构紊乱的识别可以用于结构紊乱的检测与伪证去除等。因此,本章主要研究结构紊乱的识别工作。近年来,在许多视觉分类任务中,深度学习都起到了至关重要的作用。CNN是深度网络模型中的常用技术,为了克服数据集较小的问题,使用迁移学习技术,不过因为自然图像的特点与钼靶图像语义差异较大,直接迁移可能效果不好,因此引入两次迁移学习。本章主要介绍了提出的结合卷积神经网络中ResNet网络模型以及两次迁移学习识别结构紊乱的方法。首先将 ImageNet 数据集上训练的模型参数迁移到目标卷积神经网络以对其模型参数进行初始化,然后考虑到结构紊乱数据集较小,而恶性肿块的数据集较大,且恶性肿块与结构紊乱较为相似,所以使用恶性肿块图像和正常乳腺组织图像对目标卷积神经网络模型进行微调训练(第一次迁移);接下来使用训练集中已知类别信息的结构紊乱图像和正常乳腺组织图像进行微调训练(第二次迁移)。最后,对于一张给定图像,即结构紊乱或正常乳腺组织图像作为输入图像,经过层层卷积,最终得到分类结果。
 
3.1 相关技术介绍
近年来,基于其自身的优良特性,加上计算机性能的提升,深度学习[51]逐渐成为机器学习的研究热点。深度学习技术是机器学习中的一种新领域,它的研究是建立一种新的机制,通过神经网络模拟人的大脑来处理信息,并对数据进行解释,在图像处理、语音识别、自然语言处理等许多领域取得了重大进展[52]。深度学习的热潮席卷全球,引起了众多学者的更多关注。卷积神经网络可以提取并计算不同深度、层次的图像特征,并自动调整卷积层的参数。这种方法可以减少对图像的预处理以及人工提取特征的过程,从而可以直接输入原始图像以获得不同的特征,因此得到了非常广泛的应用[53]。CNN 已经成为图像识别领域的研究热点之一,其权值共享网络结构降低了模型的复杂度并减少了参数的数量,可以直接在模型中输入图像,避免传统分类算法中人工提取特征的繁琐操作,使识别操作变得简洁明了。经过发展,CNN 已经成为一种杰出的方法。这种强大的结构是由 Fukushima[54]提出的,后来由LeCunet[55]等人进行了发展。卷积神经网络一般由多个卷积层组成,每个卷积层又会进行以下操作:1)图像经过不同卷积滤波提出局部特征;2)将滤波输出结果进行非线性的激活函数处理;3)对激活函数结果进行池化操作。图 3.1 是卷积网络模型的主要部分。
.......
 
总结
 
本文主要针对乳腺 X 线摄影图像上结构紊乱的检测与识别展开研究,主要工作如下:
1) 针对结构紊乱的方向紊乱以及方向场的形态为节点图的特点,使用了Gabor 滤波方法以及相位图分析方法进行检测,这两个方法可以较好的实现结构紊乱的可疑区域定位。
2) 针对结构紊乱的识别问题,本文提出了 MTBSVM-RFE 进行特征选择,并使用选择出的特征训练 TBSVM 分类器,该方法相比 SVM-RFE 具有更好的鲁棒性,有一定的创新性。
3) 针对结构紊乱样本不足的问题,利用恶性肿块和结构紊乱的相似性进行迁移学习。将迁移学习和卷积神经网络结合在一起,首次在结构紊乱的识别中使用深度学习技术和迁移学习技术,具有一定的创新性与先进性。
..........
参考文献(略)
(责任编辑:gufeng)
顶一下
(0)
0%
踩一下
(0)
0%
------分隔线----------------------------
发表评论
请自觉遵守互联网相关的政策法规,严禁发布色情、暴力、反动的言论。
评价:
栏目列表
点击提交代写需求
点击提交代写需求
点击提交代写需求
推荐内容