没有合适的资源?快使用搜索试试~ 我知道了~
基于迁移学习策略的肝纤维化分期诊断方法.docx
1.该资源内容由用户上传,如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
版权申诉
0 下载量 37 浏览量
2022-07-13
16:28:45
上传
评论
收藏 595KB DOCX 举报
温馨提示
试读
12页
基于迁移学习策略的肝纤维化分期诊断方法.docx
资源推荐
资源详情
资源评论
肝纤维化是肝脏内结缔组织增生异常的病理过程,由各种致病因子诱发
[1]
。
肝脏损伤修复过程中均会发生肝纤维化。纤维化持续发展将会导致具有弥漫性
损害的肝硬化,进而诱发肝癌等严重疾病。对肝纤维化疾病的诊断常用方法有
肝活检、血清检查和影像学检查。肝活检被称作“金标准”,但其作为一种有创性
检查易引起出血、昏厥等并发症。血清检查则缺乏特异性且检测效率过低。影
像学检查 方 法中,CT(Computed Tomography)具有放 射 性损害;MRI(Magnetic
Resonance Imaging)无法实现实时动态检查且成本较高。近年来,随着超声技
术的发展,其在大规模筛查和随访诊断中具有明显的优势,且具有无损、无电离
辐射等优点,尤其适合肝纤维化这种弥漫性疾病的诊断。
对于医学影像的分析,主要采用人工解读的方式,依赖于医生的主观经验和
知识水准,易导致主观误判,且诊断效率较低。随着人工智能技术的发展,计算机
辅助诊断的优势得以体现。通过对医学影像大数据的自主学习,可最大程度地
获取医生的经验。这种对医学图像的量化分析方式,避免了主观因素的影响。
同时,计算机辅助诊断系统也可以部署在不同地区,以解决医疗资源分布不均的
难题。
肝纤维化的计算机辅助诊断方法已经有诸多研究。文献[2]依据高频超声图
像下的肝表面形态特征,采用计算机辅助打分的方式进行肝纤维化诊断,得到重
度肝纤维化的诊断敏感度为 89.0%,特异度为 61.0%。文献[3]针对肝硬化疾病
的高频超声图像中肝包膜提取率低的问题,采用改进的动态规划算法提取肝包
膜,并将肝包膜特征用于肝硬化的分类,得到了较高的准确率。文献[4]将灰度共
生矩阵(Gray Level Cooccurrence Matrix, GLCM)的相关参数作为神经网络的
数据输入,分期结果作为输出,通过神经网络模型诊断肝纤维化,但 S
1
、S
2
、S
3
期
的准确率不高。文献[5,6,7,8]应用不同的小波变换等方法提取肝实质纹理特征,
通过 CART(Classification and Regression Tree,CART)决 策树 或 者 集 成 分 类
器分类肝纤维化。这些方法一般用于是否患病的二分类且准确率不高。目前,
基于高频超声图像的肝纤维化分类方法中,利用图像特征结合计算机辅助打分
法尚缺乏统一标准,且易受医师的主观影响。纹理特征提取法多数只关注到肝
实质纹理特征,部分特征并不适用于临床,分类效果也有待提高
[9]
。
深度学习强大的特征抽取与 表 达能力使其在图像分类识别任务中体现出
一定的优势。因此,本文基于迁移学习策略采用预训练的 ResNet-34 (Residual
Network-34)网络模型,提取高频超声肝纤维化图像中肝包膜与肝实质的高层次
特征来代替肝实质纹理、边缘线条等一些低层次特征,以便实现对肝纤维化的
分期诊断。
1 分类思 想与方 法
1.1 迁移学习
卷积神经网络(Convolutional Neural Network,CNN)具有强大的图像分类、
语 音 识 别 能 力 。 在 ILSVRC(ImageNet Large Scale Visual Recognition
Challenge,ILSVRC)图像分类竞赛中,AlexNet 和 GoogleNet 分类的错误率分别
为 16.4%和 6.7%,并且采用 VGG(Visual Genometry Group)和 ResNet 也都取
得了较好的效果
[10,11,12,13]
。深度神经网络取得较好的分类性能离不开对大数据
的学习,而医学数据不仅涉及病人隐私问题,数据收集与标定也需要耗费大量时
间,所以数据集较小且数量有限。人类视觉神经研究表明,低层次提取的图像特
征基本相同,例如颜色、边缘、线条等,高层次的特征则差异明显。因此经过大
量优秀训练集训练的权重参数是可以共享的,仅需加入新数据集进行权重微调
即可被应用到新的分类任务中。肝纤维化是一种弥漫性疾病,各期变化特征不
显著,尤其是 S
2
与 S
3
期更加难以区分。在设计网络结构时,在提取可有效应用
于分类的高层次语义特征的同时还要避免误差累积和梯度弥散问题。针对以上
需求,本文基于迁移学习策略,迁移 ResNet-34 网络在 ImageNet 数据集上进行
训练分类任务的模型及参数,调整最后一层的 softmax 分类器,由原来的 1 000
分类修改为 4 分类,并将其结果应用到肝纤维化的分类上。初始化全部层的权
值参数,加入肝纤维化数据集进行训练,微调(Fine Tuning)各类参数,得到新的模
型权重。具体流程如图 1 所示。
图 1
图 1 微调预训练模型流程图
Figure 1. Flow chart of fine tuning the pre-training model
原数据集为 ImageNet 数据集,包括 120 万张训练集图片、5 万张验证集图
片和 10 万张测试集图片。新数据集为肝纤维化的 patch 小块数据集。网络模
型采用 ResNet-34 网络
[14,15]
。
1.2 残差网络结构
如图 2 所示,ResNet 引入了一个重要的残差学习单元。当网络层数不断加
深时,将后面的网 络层处理为恒等映射,此时模型退化 成一个浅层的网络,既保
证了网络的深度,提取到了图像不同层次的语义特征,又避免了梯度爆炸。
图 2
剩余11页未读,继续阅读
资源评论
罗伯特之技术屋
- 粉丝: 3907
- 资源: 1万+
下载权益
C知道特权
VIP文章
课程特权
开通VIP
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功