基于同層多尺度核卷積神經(jīng)網(wǎng)絡(luò)的單細(xì)胞圖像分類研究.pdf

1、使用機(jī)器學(xué)習(xí)方法進(jìn)行圖像的分類是當(dāng)下熱門(mén)的研究方向之一，Google的AlphaGo與人類的圍棋大戰(zhàn)，更是促進(jìn)了機(jī)器學(xué)習(xí)的進(jìn)一步發(fā)展，卷積神經(jīng)網(wǎng)絡(luò)是應(yīng)用廣泛的機(jī)器學(xué)習(xí)算法，當(dāng)下在金融風(fēng)險(xiǎn)預(yù)警，企業(yè)決策，字符識(shí)別等領(lǐng)域都有較多的應(yīng)用。
　　醫(yī)療影像技術(shù)隨著科技的進(jìn)步在臨床上得到廣泛應(yīng)用，使得很多疾病可以更早發(fā)現(xiàn)、更早治療，醫(yī)學(xué)圖像分類主要依靠人眼觀察，耗時(shí)、耗力、且容易受到醫(yī)生主觀因素影響，醫(yī)學(xué)細(xì)胞圖像的計(jì)算機(jī)分類也成為研究的熱點(diǎn)和

2、難點(diǎn)。
　　本文研究對(duì)機(jī)器學(xué)習(xí)算法——卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行改進(jìn)并應(yīng)用于單細(xì)胞圖像分類，完成的主要研究工作如下:
　　1、闡述了卷積神經(jīng)網(wǎng)絡(luò)的基本理論，介紹了從感知機(jī)模型演變到卷積神經(jīng)網(wǎng)絡(luò)的過(guò)程，以及Softmax分類器等理論知識(shí)，為模型的建立和改進(jìn)提供理論基礎(chǔ)。
　　2、針對(duì)公開(kāi)的HEp-2細(xì)胞圖像庫(kù)和宮頸細(xì)胞圖像庫(kù)中圖像數(shù)量較少，且大小尺寸不一，無(wú)法直接訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)模型;本文研究使用縫裁剪法、高階插值法對(duì)圖像進(jìn)行

3、縮放，使得單細(xì)胞圖像具有相同的尺寸，同時(shí)使用裁剪、對(duì)比度、亮度變換、旋轉(zhuǎn)、規(guī)范化等方式對(duì)于小數(shù)據(jù)集進(jìn)行數(shù)據(jù)提升，擴(kuò)大了訓(xùn)練集合。
　　3、針對(duì)經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)模型不能有效的進(jìn)行單細(xì)胞圖像分類的問(wèn)題，設(shè)計(jì)了一種改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)模型，通過(guò)批技術(shù)、局部響應(yīng)歸一化，Softmax等六個(gè)方面改進(jìn)了卷積神經(jīng)網(wǎng)絡(luò)模型。
　　4、為了進(jìn)一步提高卷積神經(jīng)網(wǎng)絡(luò)模型對(duì)單細(xì)胞圖像的分類識(shí)別能力，考慮到人類視覺(jué)過(guò)程中感受野并非固定不變，設(shè)計(jì)了一種

4、改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)模型——同層多尺度核卷積神經(jīng)網(wǎng)絡(luò)，通過(guò)增加多尺度感受野、使用ReLUs、變更核函數(shù)數(shù)量等方式對(duì)卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行了改進(jìn)。
　　5、使用Google的Tensorflow框架編寫(xiě)改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)模型，并通過(guò)ICPR2012HEp-2數(shù)據(jù)集和宮頸細(xì)胞集對(duì)改進(jìn)模型進(jìn)行分類仿真測(cè)試。
　　仿真結(jié)果表明:本文設(shè)計(jì)的兩個(gè)模型具有較好的魯棒性和抗擾性，對(duì)于圖像殘缺、對(duì)比度亮度不同以及旋轉(zhuǎn)等都仍然能夠很好的完成HEp-