基于深度学习框架的医疗图像分类算法实现开题报告.docxVIP

PAGE 5 - 本 科 生 毕 业 设 计（论 文） 开题报告 题目：基于深度学习框架的医疗图像分类算法实现 姓 名： 张震宇 学 号： 201306080330 指导教师： 齐勇 班 级： 计 133 所在院系： 电气与信息工程学院计算机系 学生姓名 张震宇 导师姓名 张震宇 专业 计算机科学与技术 毕业时间 2017-7 课题名称 基于深度学习框架的医疗图像分类算法实现 计划完成初稿时间 2017年5月 计划定稿时间 2017年6月 立题依据 医疗图像处理是现代医学的重要手段之一，项目尝试采用深度学习框架初步判断颈动脉血管中是否有斑块，为进一步实现颈动脉硬化斑块的辅助诊断奠定基础。由于卷积生硬网络具有平移不变性和一定程度的旋转不变性，所以使用卷积神经网络对图像进行学习。为了方便神经网络的搭建和提高神经网络的训练速度，使用Keras框架搭建卷积神经网络。 1、卷积神经网络和深度学习框架Keras介绍 1）卷积神经网络是目前深度学习领域的热点，因为其网络结构与视觉神经系统中的感受野相似，因此尤为适合处理图像方面的任务。虽然卷积神经网络在准确度等方面有着不错的表现，但在实际运用时由于输入数据量过大，网络层数过大，导致单纯使用CPU训练神经网络时运算速度慢的问题，所以通常都使用GPU加速神经网络的训练。 2）Keras是一个高层神经网络库，Keras由纯Python编写而成，使用Tensorflow或Theano作为后端。由于使用GPU进行加速需要额外编写GPU并行处理的模块，需要耗费大量精力和时间，而Keras支持无缝的CPU和GPU切换，因此我们可以专注于神经网络的构建与优化。同时，Keras实现了深度学习中常用的层，我们可以利用内置的层快速实现神经网络原型，把重心放在神经网络的优化上。 2、医疗图像分类与相关技术发展状况 1)医疗图像的解读在诊断阶段非常重要，很多病变发生在人体内部，我们只能通过X射线、核磁共振等方式拿到的扫描图像来判断病人的病情。目前，大部分的医学图像解译都由医生来进行。可是，人类进行的图像解译因为其主观性，不同解读者的观点可能有差异。而且，在大量的相似图像里，解读者很容易产生疲劳从而降低了解读结果的可信度。卷积神经网络十分适合处理图像相关的任务，因此我们可以通过训练神经网络对医疗图形进行解读，辅助医生进行诊断。深度学习是一种数据驱动的自动学习特征的方法，这种自动学习的能力会随着数据量的增长而得到更好的结果。在可见的将来，随着万物互联而来的海量医疗数据甚至可以让神经网络代替医生进行诊断。 2) 近年来，深度学习的方法在处理医学影像数据方面发展迅速，很多公司和研究机构已经开始运用深度学习对患者进行分类及预测。Google的DeepMind Health团队与世界顶级的眼科医院Moorfields合作，利用一百万份匿名眼部大扫描图像来训练其神经网络识别眼部疾病的早期征兆。通常医生通过OCT诊断和治疗眼科疾病，问题是扫描流程非常复杂，传统的电脑分析工具需要花很长的时间来分析扫描结果，然后给出诊断和治疗方案。DeepMind团队通过深度学习，快速地分析这些扫描结果，可以大大提高诊断的速度和准确性。 3、研究目的、意义 研究目的：利用深度学习框架keras，实现卷积神经网络算法，使用匿名的颈动脉血管图训练神经网络。训练完成的神经网络应该可以根据颈动脉血管是否存在硬化斑块对医疗图像进行分类。 研究意义：基于深度学习框架keras实现卷积神经网络，可以快速实现出原型并经行调试。避免了在相关模块（GPU并行化、常用层的编写）的时间消耗，可以快速的切入关键点，对神经网络进行优化。现阶段通过完成训练的神经网络，可以辅助医生进行颈动脉血管硬化斑块的诊断，减少医生的负担并降低诊断结果的不可信度。本次毕业设计的基于深度学习框架的医疗图像分类算法的实现，来提高自己的学习能力、发现问题、分析问题、解决问题能力。同时，增加对现今的常用的模式识别、搜索排行优化等技术背后的机器学习知识的了解，增强对所学知识的应用能力。对深度学习的应用能力会有很大提升，对算法的设计和实现都会有一个更深的理解和掌握。 二、研究内容 1、研究内容 1) 了解深度学习的原理。 2) 掌握卷积神经网络的原理。 3）利用keras框架搭建LeNet5结构的卷积神经网络。 5) 利用卷积神经网络算法对颈动脉血管图像进行分类。 2、设计方案 卷积神经网络结构如图2-2 图2-2 LeNet5结构的卷积神经网络 卷积神经网