毕业设计-基于深度学习的肺炎医学 CT 图像分类算法研究

目录

前言

课题背景和意义

实现技术思路

一、数据集及数据预处理

二、卷积神经网络（CNN）网络技术

三、分类模型结构与方法 

 三、基于改进的 Inception-ResNet 的分类网络

实现效果图样例

最后

---

前言

    大四是整个大学期间最忙碌的时光,一边要忙着备考或实习为毕业后面临的就业升学做准备,一边要为毕业设计耗费大量精力。近几年各个学校要求的毕设项目越来越难,有不少课题是研究生级别难度的,对本科同学来说是充满挑战。为帮助大家顺利通过和节省时间与精力投入到更重要的就业和考试中去,学长分享优质的选题经验和毕设项目与技术思路。

对毕设有任何疑问都可以问学长哦!

选题指导: https://blog.csdn.net/qq_37340229/article/details/128243277

大家好,这里是海浪学长毕设专题,本次分享的课题是

基于深度学习的肺炎医学 CT 图像分类算法研究

课题背景和意义

在我国科技高速发展的重要时期，IT技术、云计算技术、数据存储技术的快速发展， 迎来了全新大数据时代。在我们的社会活动、工作以及生活等多个方面都受到大数据的 强烈影响。同时，随着大数据时代的到来，有关医疗的数据资源也有了很大的提升，医疗数据越来越充足。许多医院在多年的实践中，整合了专业的医用图像信息数据系统，基于深度学习的医学图像分类技术不仅是临床医疗中的一种关键的辅助诊疗手段，也是科学研究的重要方向。在面对全人类的疫情需要诊断海量的患者时，医生依靠个人的理论和经验用传统方法逐一排查患者的肺部 CT 图像，容易造成诊断失误。传统方法的准确度当然满足临床需求，但是分类效率低且对医务人员的理论和经验有较高的要求，而且分类效率低，构建精准快速的辅助系统可以有效节省医疗资源。目前，由于肺部CT图像是2D成像在检查肺部疾病的时候，往往容易出现假阳性问题，所以提高检测率、降低假阳性为医生提供较为准确的辅助判断成为了目前肺部疾病诊断和疾病管理的焦点。通过人工智能加上大数据环境下诊断肺部疾病和预测肺部疾病是当前的大势所趋。

实现技术思路

一、数据集及数据预处理

使用的实验数据来自于国家生物信息中心的 新型冠状病毒信息库 数据集。尺寸不统一、缺少多样性 的准确可靠的肺部CT 数据集等问题有可能阻碍卷积神经网络用于新冠肺炎的自动诊断研究。我们采用的数据库规避了这一问题。

 为了减少实验过程中出现过拟合，提高网络模型的准确性，实验过程前期采集特征时，采用数据增强方案来增加特征提取，主要包括以下内容：增加随机噪声，镜像以及 旋转（90 度、180 度 270 度）。

二、卷积神经网络（CNN）网络技术

深度神经网络（以下简称 DNN ）包括卷积神经网络（以下简称 CNN ）、递归神经网络（以下简称 RNN ）和强化学习（以下简称 RL ）。神经网络工作过程：

CNN 模型结构主要为 ResNet 、 GoogLeNet 以及本文改进后的 Inception-ResNet。ResNet采用残差模块（ResidualModules）或跳跃连接（SkipConnection）增加了网络的层数，而且将网络的学习对象进行了相应的简化，任何一个神经元的学习信号都可以双向传递给任何其他的神经元，有效地加快训练的速度而且有利于调节参数的准确性。以下为残差网络的主要计算公式：

三、分类模型结构与方法 

GoogLeNet 模型结构与方法

GoogLeNet 是一种增加了网络层数，参数仍较少的模型。其优势特点如下：

（ 1 ）有多样性的卷积核尺寸来获得多样性的特征，而且信息的层次也有所提升，

常用的卷积核一般是 3*3 ，而在该模型中更加多样化如： 5*5 、 7*7 等；

（2）集成 Inception 模块，将卷积层和池化层融合在一起，其结构稀疏、运算快、

能够获得更多有用特征；

（3）模块中还有很多的 Inception 分支，其结构各异、计算结果更加精确、泛化表

达能力强；

（4）其中的参数以及运算量在网络层数增加中并未增加，计算速度快。

Inception-v1 模型结构

Inception 模 块 共 有 4 代 ， 分 别 是 原 始 版 本 、 Inception-v1 、 Inception-v2/v3 和 Inception-v4。

Inception-v2/v3

Inception-v2还有着一个特殊的结构，主要使用于高维的特征之中，很多次地进行非线性映射会导致产生更加多的判断信号，并且高维的特征尺寸比较小，更加容易训练，所以允许稍微拓宽网络的结构。

Inception-v3使用了Rmsprop优化算法和Label Smoothing Regularization（LSR）正则化等方面的模型改进了算法结构，在 Inception-v3中，GoogLeNet又一次更新了v2网络结构。Inceptionv3沿用v2的部分网络结构。

ResNet 残差网络模型结构

ResNet 是一种很好的分类、目标检测和图像分割模型。ResNet主要的特征如下：

（ 1 ）提出了残差结构（residual structure），构建了突破 1000 层的超深网络结构，

（2）使用批量规范化方法加速培训（丢弃 dropout ）。

 三、基于改进的 Inception-ResNet 的分类网络

将 Inception 和 ResNet 网络结构进行结合，并且加入 Stem 、 SE-Block 、 Reduction 等部分，总体网络结构如下：（ 1 ）变化卷积核大小。因为 Inception 结构是通过卷积过程来运算的，实验过程中把原来的 7*7 和 5*5 的卷积核分解为 7*1 ， 1*7 ，5*1， 1*5 ，这样做可以增加运行速度，并且加深了一倍的网络深度；（2）引入残差结构。ResNet 的残差结构引入的目的是减少因为层数增加而导致的梯度消失以及过拟合问题；（3）增加特征权重并替换激活函数。SE-Block 的嵌入是为了增加网络中的特征的权重，并且把原有的激活函数 ReLU 改成 LeakyReLU ，目的是增加网络泛化能力。（4）确认分类数量。最后的一个层级是 Softmax ，本文肺炎 CT 图像种类为 3 种，此处将 Softmax 设置成 3 。

第一步是把经过预处理的训练数据进行网络模型的训练阶段，第二步是在训练过程中采用损失函数交叉熵来对网络模型进行，第三步是把测试集调用到网络模型中对其结果进行测试分析并做出相应的调整。

用 CLAHE 算法对训练集中的胸部CT图像将数据集进行预处理。之后将设置CT图 像 的 大 小 ， 然 后 把 上 一 步 处 理 好 的 CT 图 像 导 入 本 文 的 Inception-ResNet网络模型当中开始训练模型，最终把本文选用的测试集的数据拿到模型 中进行测试实验结果，然后记录好结果信息进行比对。

发现进行5 次迭代以后准确率基本稳定并且保持 95% 左右的较高水平，到迭代 5次之后准确率已经收敛。而且前几次迭代准确率波动比较明显，主要原因是模型对于特征学习不够充分，不能很好地识别。

实现效果图样例

对肺部 CT 图像进行分类，对所有图像进行相同的预处理（压缩、清噪、增强等操作），随后送入卷积神经网络进行模型训练， 得到三种模型的实验结果。

 采用以下三个指标对模型进行客观评价：准确率（accuracy，ACC）、 灵敏度（sensitivity，SEN）和特异性（specificity，SPE），计算公式为：

 通过计算得出：

 三个模型在新冠肺炎 CT 图像分类的准确率都在 95%以上。

我是海浪学长,创作不易,欢迎点赞、关注、收藏、留言。

毕设帮助，疑难解答，欢迎打扰！

最后