基于机器学习方法的前列腺病理切片图像识别演示.pptVIP

2.2.1受限玻尔兹曼机的基本模型 RBM可以被看作是一种无向图模型，如下图所示。v是可见层单元，表示可以观测到的数据，h是隐藏层单元，可看作特征检测器，通过观测数据进入网络后生成隐藏特征，W表示可见单元和隐藏单元之间的连接权重。RBM的可见层单元和隐藏层单元可以是任意的指数族单元，如高斯单元、Softmax单元、泊松单元等等。本文档共85页；当前第31页；编辑于星期六\2点11分2.2.1受限玻尔兹曼机的基本模型本文档共85页；当前第32页；编辑于星期六\2点11分2.2.1受限玻尔兹曼机的基本模型本文档共85页；当前第33页；编辑于星期六\2点11分2.2.2基于对比散度的RBM快速学习算法深度学习算法的发明者Hinton提出了一个快速学习RBM的算法，即对比散度。本文所采用基于对比散度的快速学习算法步骤如下：本文档共85页；当前第34页；编辑于星期六\2点11分2.2.2基于对比散度的RBM快速学习算法本文档共85页；当前第35页；编辑于星期六\2点11分2.3栈式自编码神经网络的训练 栈式自编码神经网络是将多个稀疏自编码串联所成的深度神经网络，可以采用依次训练每一层的贪心分层算法来预训练深度神经网络。在本小节中，主要介绍如何将自编码网络以贪心分层的方式串联起来，以及如何预训练深度神经网络的参数。本文档共85页；当前第36页；编辑于星期六\2点11分2.3.1栈式自编码神经网络概述本文档共85页；当前第37页；编辑于星期六\2点11分2.3.2逐层训练本文档共85页；当前第38页；编辑于星期六\2点11分2.3.3微调栈式自编码神经网络本文档共85页；当前第39页；编辑于星期六\2点11分2.3.3微调栈式自编码神经网络本文档共85页；当前第40页；编辑于星期六\2点11分2.4深度信念网络的训练 深度信念网络是由多个RBM串联所形成的深度神经网络。本文档共85页；当前第41页；编辑于星期六\2点11分2.4深度信念网络的训练 深度信念网络是一个生成式模型（以P的分布生成路径），是对输入进行多层表示的一种方法（以Q的分布识别路径）。最高的两层h2和h3组成一个RBM（受限玻尔兹曼机），较低的层组成一个有向图模型。倒数第二层的先验h2是由顶层RBM提供。本文档共85页；当前第42页；编辑于星期六\2点11分2.4深度信念网络的训练 我们以逐层贪心的方式训练DBN的时候，用一个纯非监督的方式训练一个DBN，在每一层单独训练过程中，都是利用前面提到基于对比散度的RBM快速学习算法。本文档共85页；当前第43页；编辑于星期六\2点11分2.4深度信念网络的训练算法2.2逐层贪心的DBN训练算法本文档共85页；当前第44页；编辑于星期六\2点11分第三章基于深度学习的前列腺病理图像判断非监督学习Softmax回归分类器基于ROC曲线的全局判断本文档共85页；当前第45页；编辑于星期六\2点11分第三章基于深度学习的前列腺病理图像判断在医院所有的前列腺病理切片都需要由医生观察后人工进行标注，这样无疑会增加医生重复工作量，医生长时间标注产生疲劳也可能导致人为的失误。为提高医生工作效率，减少工作流程中的人为失误，组织来源的判断是开发前列腺计算机辅助诊断系统的必要步骤。前列腺结石的识别是组织来源判断的一个主要方法。不过并不是所有的前列腺病理切片图像里面都包括前列腺结石这一病理对象，所以该方法存在一定的局限性本文档共85页；当前第46页；编辑于星期六\2点11分第三章基于深度学习的前列腺病理图像判断本文提出了基于深度学习的前列腺病理图像识别算法，能有效克服这一问题。深度网络非监督学习出前列腺病理切片图像局部纹理的不变特征，然后利用softmax回归分类器训练非监督学习得到的特征，达到识别前列腺病理图像的目的。前列腺病理图像如图3-1所示；而负样本则是来自其它组织，比如脾脏、心脏、鼻咽等其他部位的病理图像，如图3-2所示。本文档共85页；当前第47页；编辑于星期六\2点11分第三章基于深度学习的前列腺病理图像判断算法整体流程如下所示：本文档共85页；当前第48页；编辑于星期六\2点11分3.1非监督学习本文档共85页；当前第49页；编辑于星期六\2点11分3.1.1图像块的采集对于分辨率为800×600的前列腺病理图像，图像太大不适于直接作为栈式自编码网络的输入。为了学习到前列腺病理图像的局部特征，需要对其采样，对每一张原图像随机获取20个大小一定的图像块。本文采