检索历史 清除

摘要深度学习是人工智能领域发展较快的分支之一，为智能化发展提供重要的技术支撑。卷积神经网络是深度学习中的典型模型，在计算机视觉方面具有较好的应用。肺癌威胁人们生命健康，计算机辅助诊断对肺癌的早发现早治疗至关重要，能够对患者病灶进行准确分析，快速地为医生提供辅助诊疗结果，以达到图像和病理解释的一致性，提高医护人员的工作效率，降低误诊率和漏诊率。<br>　　研究目的：本文将肺部肿瘤三个模态（CT、PET、PET/CT）的数据作为研究对象，通过卷积神经网络模型—LeNet-5对肺部肿瘤图像进行识别，以期在肺部肿瘤方面实现计算机辅助诊断，为患者提供帮助，辅助临床医护人员准确诊断，降低工作强度，提高诊断速度，实现卷积神经网络在临床中的应用。<br>　　研究方法：本文在LeNet-5模型的基础上，提出随机化融合以及PSO优化卷积核两种特殊的模型结构并将其用于肺部肿瘤图像识别。第一，在不同模态的肺部肿瘤图像上构建三个单模态卷积神经网络，即：CT-CNN、PET-CNN、PET/CT-CNN，对三个模态CNN的全连接层特征向量及其权重进行随机化融合，通过重新构建的全连接特征图对肺部肿瘤进行识别；第二，提取卷积核并用粒子群算法不断更新其速度和位置，寻找全局最优结果以便初始化，使PSO具有的全局优化与BP反向传播的局部寻优相结合，通过肺部肿瘤数据训练网络模型，以得到较好的识别效果。本文采用训练时间、灵敏性、特异性、识别率、MCC和F1Score六大指标综合评价不同卷积神经网络结构的性能。<br>　　研究结果：针对随机化融合和CNN的多模态肺部肿瘤图像识别的研究，实验从迭代次数、批次大小和网络层数三个维度探讨随机化特征融合对识别结果的影响，结果表明，随机化特征融合和CNN识别肺部肿瘤图像具有一定的可行性，迭代次数、批次大小和网络层数的改变对卷积神经网络目标识别具有一定的影响，但随机化特征融合卷积神经网络的识别效果明显优于单模态卷积神经网络，体现了随机化融合算法在识别肺部肿瘤方面的优越性。<br>　　针对PSO-Convk卷积神经网络的肺部肿瘤识别的研究，实验从迭代次数、批次大小和网络层数三个角度讨论PSO优化卷积核对CNN识别肺部肿瘤的影响，结果显示，PSO优化卷积核对于CNN识别肺部肿瘤具有一定的可行性，各参数的改变对CNN的识别结果具有一定的影响，但PSO优化最多卷积层的识别效果明显优于传统卷积神经网和高斯优化卷积核，从而表明PSO优化卷积核应用于肺部肿瘤的识别具有一定的优越性。