简介:本文是医学影像和深度学习论文写作参考范文和学习方法有关论文如何怎么撰写.
摘 要：文章将以深度学习方法为裁体,分析医学影像实时变化检测算法,使用这种方法可以省去滤波和差异图构造操作,从而提高检测效率.文章首选对检测流程进行分析,主要包含四步,即构建深度神经网络、构建合适样本、训练网络和检测.通过实验结果表明,该算法应用于医学影像实时变化检测中具有较好的效果,能够提高检测准确率和效率.
关键词：深度学习;医学影像;变化检测
中图分类号：TP753
文献标识码：A
文章编号：1001-5922（2020）12-0132-04
在医学领域,影像实时变化检测技术有助于分析和病变组织变化区域,属于当前最为重要的图像处理方式之一[1].深度学习方法的优势较多,主要利用神经网络模型进行分析问题,对特征进行提取和分类,能够具有比较广泛的应用,于是受到广大研究者的青睐[2-3].于是文章将以深度学习方法为载体,研究医学影像实时变化检测算法,文章提供的医学影像为脑白质疏松症MRI图像,能够进行医学辅助诊断.
1.以深度学习方法为载体的变化检测算法流程
在医学影像实时变化检测中,只要是两幅原始影像之间就会存在较为复杂的关系,所以获得变化检测会相当困难,但是通过使用深度学习方法能够表达复杂抽象的关系,于是将其应用到医学影像实时变化检测中,通过算法的应用能够分析出两幅影像未变化类和变化类,这种方式不仅能够获得变化检测结果,而且还省去了滤波和差异图构造过程,这样就可以提高工作效率[4-5].
变化检测技术往往在灾害风险评估和医疗中进行应用,由于这些领域中特点,没有先验知识,于是对其进行检测所使用的方式就是深度神经网络[6].于是文章将以深度学习方法为载体,分析医学影像实时变化检测算法,其主要分析步骤包含四步,分别为构建深度神经网络、构建合适样本、训练网络,最后一个步骤就是将训练好的算法进行分类然后获取检测结果.以深度学习方法为载体的实时变化检测算法流程如图1所示.
2.深度神经网络的构建
2、1 RBM能量模型
构建深度神经网络需要对其分类器进行训练,目的在于优化权值和偏重,为了得到满意度较高的权重,需要对每一层进行计算和分析,于是使用RMB能够完成该步骤.
在RBM能量模型中存在可见层和隐含层,其之间存在的能量函数如下所示[7]：
当能量越小时,系統的稳定性将会越好,所以文章进行预训练的主要作用是使得能量函数达到最小值,于是就可以时系统稳定性达到最大化.
2、2 DBN网络的训练
对DBN网络进行训练时必须要有几个RBM作为基础,训练过程中所使用到的初始值是由RBM预训练所得到的权重,其公式在建立过程中涉及到的损失函数为交叉熵,然后还需要对函数进行微调,使用到方式为反向传播策略,于是得到如下所示[8]：
DBN的训练过程如下：
1）首先需要将每个位置的邻域特征进行输入,然后再对两个影像对应位置所涉及到的邻域进行矢量化处理,然后再将其进行连接,将其作为神经网络的输入.
2）完成上述步骤之后,就需要将RBM进行预训练处理,目的在于获取初始化权重和偏移量.
3）预处理完成之后,再将RBM进行展开处理,从而形成一个多层神经网络,即深度置信网络.
4）最后就是对深度置信网络进行优化和微调,其中使用的方法为反向传播算法.
3.构造样本集
完成上述工作之后即可以得到神经网络,然后再构造合适的样本,目的在于对网络进行训练.首先需要对原始MRI图像使用归一化方式进行处理,由于文章是以两张脑白质MRI作为研究影像,将10%和90%作为灰度值的最小和最大值,然后归一化处理之后得到0-255.
然后通过预分类方式选择合适的标签,使用FGFCM联合分类算法进行聚类,给方式更加适合于医学影像变化检测研究.联合分类算法的具体流程如图2所示.
3、3特征的筛选
上述所获得的结果比不是最终结果,准确率比较低,于是再对其进一步处理,从而得到精度更高的结果,其中使用的算法为JFCM,作用就是对特征进行过滤.特征的筛选主要流程如图3所示.
3、4快速广义FCM算法
传统的FCM算法不利于医院影像研究,因为其对伪影和噪声比较敏感,所以研究误差会比较大.于是文章使用快速广义FCM,即FCFCM进行研究.FC-FCM的计算流程图如图4所示.
4.实验结果
为了检验算法的有效应,将其应用到脑白质疏松症脑部MRI图像处理上.实验数据来源与15为病人样本,通过分析样本之后选择两组样本作为测试对象,每一组中都包含三个部分,第一部分和第二部分分别为治疗之前和之后的MRI影像,第三部分为人工检测结构.
图5和图6即为两组检测结果,为了突出本文算法的优势,将改进后的NSST算法作为对比试验.表1和表2即为检测结果定量分析.从图表中可以看出,相比于RNSST算法,本文所研究的算法能够降低漏检率和错检率,而且得到的图像更加与真实图像类似,从而有助于找到病变区域的变化部分,从而提高医学检测结果.
5.结语
文章对以深度学习方法为载体,研究医学影像实时在线检测算法,通过将其应用实际医学图像中,具有较好的应用效果,能够准确的检测出变化部分,从而有助于医学影像分析,能够为临床治疗提供更过的参考依据,将会具有较好的应用价值.
参考文献
[1]刘芬,基于变化检测技术的脑瘤计算机辅助诊断方法应用研究[D].济南：山东大学,2010.
[2]孙志军,薛磊,许阳明,等.深度学习研究综述[J].计算机应用研究,2012,29（08）：2806-2810.
[3]吕乐,吴山东.深度学习和医学影像在预防医学中的机会[J]放射学实践,2018,33（10）：24-26.
[4]庞浩,王枞,用于糖尿病视网膜病变检测的深度学习模型[J].软件学报,2017,28（11）：3018-3029.
[5]夏黎明,沈坚,张荣国,等.深度学习技术在医学影像领域的应用[J].协和医学杂志,2018,9（01）：10-14.
[6]周林浩.基于深度神经网络的SAR图像变化检测[D].西安：西安电子科技大学,2018.
[7]张浩,吴秀娟.深度学习的内涵及认知理论基础探析[J].中国电化教育,2012（10）：7-11+21.
[8]郭杨.癌症放疗影像变化检测算法研究[D].太原：中北大学,2018.
总结：该文结论:本文是关于医学影像和深度学习相关专业的经典范文,可作为学习方法方面的大学硕士与本科毕业论文写作参考和医学影像和深度学习论文开题报告和职称论文论文写作参考文献.
学习方法引用文献:
[1] 医学影像本科论文题目大全 医学影像本科论文题目如何定
[2] 医学影像研究生论文题目范文 医学影像研究生论文题目选什么比较好
[3] 医学影像毕业方向论文题目 医学影像毕业论文题目怎么定
