摘要随着人们饮食习惯的变化,全球结肠癌的发病率和致死率不断增加,如今已成为威胁人们健康的主要疾病之一。临床上基于结肠癌组织病理学图像的诊断方式是检验结肠癌的标准方法。计算机辅助诊断中的深度学习方法近年来在结肠癌组织病理学诊断中得到了广泛应用。在基于深度神经网络的结肠癌组织病理学图像分类任务中,深度学习对数据依赖比较强,需要大量的标记数据来理解数据的潜在特征。然而,结肠癌组织病理学图像标签的收集复杂而昂贵,建立大规模的标记数据集非常困难。迁移学习可在一定程度上缓解样本标签不足的问题,但传统的迁移学习方法所基于的模型往往在自然图像上经过预训练,对于结肠癌组织病理学图像的分类任务适应性不足,模型效果有待进一步提升。<br> 针对上述结肠癌组织病理学诊断中存在的问题,对于不同的结肠癌组织病理学图像的特点,本文研究设计了两种迁移半监督域自适应分类识别算法。通过深度迁移学习提取数据集的高阶特征,同时利用半监督域自适应算法提升模型的分类适应性,解决样本标签不足的问题。本文的主要研究工作包括以下内容:<br> 研究了基于深度迁移学习的鼠人(老鼠及病人)结肠癌病理学图像的半监督域自适应分类算法。首先,通过深度模型迁移的网络提取图像的深层次信息,获取图像纹理、色彩等的高阶特征表示。然后,通过双准则的半监督域自适应算法对老鼠和病人病理图像的高阶特征进行对齐,缩小两个域的特征差异。研究了能够揭示目标域病人样本底层特征的条件熵项,促进了深度模型对于目标域数据信息的感知,增强了模型对病人数据集的分类性能。<br> 研究了基于多重加权损失函数的病人结肠癌全视野数字切片(WholeSlideImage,WSI)图像的迁移半监督域自适应分类算法。首先,针对病理学图像的特点设计了一个用于提取图像高阶特征的卷积网络模型。然后,通过基于多重加权损失函数的半监督域自适应算法,对源域病人数据集和目标域病人数据集的高阶特征分布进行充分对齐。通过流形正则化项促进了模型对目标域数据分布空间的适应性,增强了模型的分类识别效果。<br> 本文的研究工作解决了结肠癌组织病理学图像分类中数据集标签信息不足的问题,利用深度迁移学习缓解了模型对于大量标记数据的需求,通过领域自适应算法提升了模型分类性能,为结肠癌的计算机辅助临床诊断提供了可行的解决办法,具备一定的理论价值和参考意义。
更多相关知识
- 浏览0
- 被引0
- 下载0
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文