首页 > 论文范文 > 医药卫生论文 > 医学毕业论文 > 肿瘤学毕业论文 > 分析基于深度学习的肠道肿瘤图像识别方法研究

分析基于深度学习的肠道肿瘤图像识别方法研究

2021-10-08 107 上传者：管理员

摘要：肠道肿瘤诊断目前主要依靠医务人员对于医学图像的经验判断,随着患者不断增加,对于医院和医生的诊断压力也逐渐加大。采用一种自动判断肠道肿瘤的方式对于解决目前肠道肿瘤诊断困难非常必要。文章研究利用深度学习方法针对肠道肿瘤图像进行特征提取和识别,实验采集了1600个医学图像数据,按照7:3比例分配训练集和测试集,采用ResNet50模型,经过训练的网络准确率达到97.95%,在一定程度上为肠癌的诊断提供了辅助诊断信息,具有一定的实用价值。

关键词：
ResNet50
卷积神经网络
深度学习
肠癌诊断
肠道肿瘤
加入收藏

目前，对于结直肠癌的诊断，医生通常采用PET/CT和肠镜检查进行早期筛查。由于肠癌早期症状不明显，图像难以辨识，给医生的诊断结论带来很大的挑战。通过常规方法进行检查，筛查早期肠癌的准确率约为80%。患者不断增加，对于医院和医生的诊断压力也逐渐加大，高难度的判断任务易引起早期误诊，对肠癌治疗带来不利的影响。由于深度学习技术发展迅速，CNN技术在医学图像识别上取得较大进展，已经成为研究热点。

本文采用深度学习中主要网络模型，如VGG、Inception、ResNet等进行训练测试，使用采集到的图像数据，在较少数据集上通过数据增强增加样本数量，对比各种模型的准确率、精确率和召回率，最终选择ResNet50作为肠道肿瘤识别的主要模型。

1、卷积神经网络

卷积神经网络(CNN)是一种自动在数据中学习特征，并将结果向同类型位置数据泛化的技术，具有自动特征提取，持续学习，易处理高维数据等优点[1]。由于其效率高，性能好，具有学习特性的特点，如今卷积神经网络技术被广泛应用于图像分割、图像识别、和自然语言处理等领域。典型的卷积神经网络算法具有以下三层构造：

(1）卷积层：

假定进行单标签分类方法，标签为y；数据层与参数层以张量(tensor)的模式进行存储[2]。图像作为三维张量(C,H,W),其中H,W,C分别代表高度,宽度,通道；特征图则作为四维向量(B,C,H,W)存储,其中B即是batch＿size。用以表达该模型单次对一批图像进行处理。则离散卷积公式如下：

以此作为中心计算卷积，结算结果置于H上的(x,y)。

随后，计算L层卷积输出的第j个通道zj，卷积核以kij表示,每次计算时kij与第l-1层中的Xl-1连接。标量zjl即为：

(2）池化层

一般采用最大池化(maxpooling)的方式，其中卷积核kij[3]为0或1;

(3）全连接层

将第l层的神经元分别与第l-1层的神经元连接，权值矩阵设为w1

2、ResNet50模型

ResNet是一种性能优良的残差网络模型。通过残差连接构造出深度神经网络，能够避免深度连接导致的梯度消失与梯度爆炸[4]，可以非常有效率的解决在训练后段准确率趋向平缓，但训练误差增大的情况。

ResNet中的残差块由公式（5）所示构成block，叫做ResidualBlock，多个相似的残差块连接组成ResNet网络，如图1所示。

对于ResNet50模型，采用一种称为bottleneck结构建立残差路径，由于需要考虑降低计算复杂度，加入1×1卷积层，用于先降维再升维，这与残差浅层模型有所不同，如图2所示。

ResNet50最初需为对输入进行卷积操作，卷积后为四个残差块,最后需要进行全连接操作，最终实现样本数据的识别，Resnet50则包含50个conv2d操作，模型组成形式如下图3所示。

3、实验与分析

本实验需要进行图像增强，再使用卷积神经网络进行图像识别完成实验。本文采取的预处理过程，首先输入原始图像，分解图像通道，构成Matrix并进行初始化；然后，获取图像各通道OD值，得到最终的Matrix，最后转换图像并进行图像输出。整个预处理过程如图4所示，利用该方法获得适用于卷积神经网络的样本图像。

本文主要对比ResNet34和ResNet50模型进行实验，ResNet模型中浅层网络ResNet34由BasicBlock搭成，深层网络ResNet50基于Bottleneck搭成。

layer1的3个block结构完全相同；

layer2的3个block，尺寸降低，需要将输入downsample;

layer3结构与layer2一致，输出尺寸减小；

layer4结构与layer3一致，输出尺寸降低。

ResNet34和ResNet50各层结构见表1:

实验进行了Accuracy,Recall与Precision三种方面的评测，其计算公式5-7所示

TP：肿瘤被正确分类数量；TN：非肿瘤被正确分类数量[5];FP：非肿瘤被错分数量；FN：肿瘤被错分数量。

实验过程中，课题组采集了1600个肠道肿瘤数据，测试集合和验证集合比例为7:3进行分割，同时也采用VGG19模型和ResNet模型进行对比实验，实验结果见表2:

实验数据表明，采用更深层的ResNet50相比VGG19和ResNet34在Recall、Accuracy与Precision评价指标上均具有优势，在性能和计算时间上总体都具有一定的综合优势。

经过训练后的各个深度学习模型loss均呈现逐渐下降的趋势，其中采用ResNet50更加平缓和明显，同时在验证集进行验证时发现，在第10个Epoch时，Loss为0.4858,准确率达到了97.95%，呈现出比较理想的效果。实验结果如图5和图6所示：

4、结束语

随着我国人口基数不断增加，医疗系统面临压力越来越大，医学领域有大量的图像数据处理。引入计算机技术辅助诊断有助于减轻医疗系统负担，具有较好的应用前景。本文研究基于深度学习的肠道肿瘤图像识别技术，采集约1600个数据图像进行实验。在实验中采用了VGG19、ResNet34和ResNet50模型进行测试，实验结果显示基于深度学习的ResNet50模型，在肠道肿瘤识别过程中能够提高图像分析准确率和诊断率，说明深度学习在肠道肿瘤图像识别方面具有一定的实际应用价值。

参考文献：

[1]王小宇,李凡,曹琳,等.改进的卷积神经网络实现端到端的水下目标自动识别[J].信号处理,2020,36(06):958-965.

[2]龚兰兰.刘凯,凌兴宏.基于优化(下转第36页）卷积神经网络的图像超分辨率重建[U].计算机技术与发展,2021,31(04):100-105.

[3]张旭,王斌,张旭.CNN在农田杂草图像识别的可行性探讨[J].电脑知识与技术,2018,14(22):187-189.

[4]曹宇，邢素霞，逢键梁;等.基于改进的VGG-16卷积神经网络的肺结节检测[J].中国医学物理学杂志,2020,37(07);940-944.

[5]杨金鑫,杨辉华.李灵巧,等.结合卷积神经网络和超像素聚类的细胞图像分割方法[叮].计算机应用研究,2018,35(05):1569-1572+1577.

文章来源：杨波,张立娜.基于深度学习的肠道肿瘤图像识别方法研究[J].电脑与信息技术,2021,29(05):23-25+36