基于深度學(xué)習(xí)的肝硬化識(shí)別研究.pdf

1、B超圖像中肝硬化的識(shí)別在臨床上對(duì)肝病的診斷具有重要意義，但是臨床采集的圖像中有噪聲、尺度不一、病變邊緣模糊、回聲不均勻等因素。傳統(tǒng)的圖像識(shí)別技術(shù)在對(duì)肝硬化進(jìn)行識(shí)別時(shí)，準(zhǔn)確率較低，主要是由于傳統(tǒng)的特征提取算法不能很好地描述肝硬化病變的特點(diǎn)。
　　針對(duì)上述問(wèn)題，本文提出了一種改進(jìn)的局部二值模式的特征提取算法，很好地解決了病變區(qū)域邊緣模糊的問(wèn)題；利用深度學(xué)習(xí)理論，設(shè)計(jì)了兩種卷積神經(jīng)網(wǎng)絡(luò)模型和一種深度信念網(wǎng)絡(luò)模型，得到了表現(xiàn)力更強(qiáng)的特征。

2、本文主要工作有以下幾個(gè)方面：
　?。?）將局部二值模式（Local Binary Pattern,LBP）算法進(jìn)行改進(jìn)，并通過(guò)信息熵來(lái)度量通過(guò)該改進(jìn)LBP算法得到的樣本的信息量。選出包含紋理信息最多的樣本，作為支持向量機(jī)（Support Vector Machine,SVM）和超限學(xué)習(xí)機(jī)（Extreme Learning Machine,ELM）的輸入。實(shí)驗(yàn)結(jié)果表明，所提出的改進(jìn)算法對(duì)于提高肝硬化的識(shí)別率很有幫助。
　　（2

3、）利用深度學(xué)習(xí)思想，設(shè)計(jì)了兩種基于卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks）的模型，分別是Liver-CNN1和Liver-CNN2，并將其與SVM和ELM結(jié)合進(jìn)行分類(lèi)，替換了普通卷積神經(jīng)網(wǎng)絡(luò)最后的全連接神經(jīng)網(wǎng)絡(luò)，不僅取得了更高的分類(lèi)準(zhǔn)確率，而且在分類(lèi)時(shí)間上也有明顯的減少，具有實(shí)時(shí)性。卷積神經(jīng)網(wǎng)絡(luò)中感受野概念和權(quán)值共享技術(shù)的使用，大大減少了網(wǎng)絡(luò)參數(shù)的數(shù)量，提高了學(xué)習(xí)的速度。經(jīng)實(shí)驗(yàn)對(duì)比得知，卷積神經(jīng)網(wǎng)絡(luò)自學(xué)