《深度学习在辅助诊断系统中应用的相关理论基础综述》1900字

深度学习在辅助诊断系统中应用的相关理论基础综述目录TOC\o"1-2"\h\u3117深度学习在辅助诊断系统中应用的相关理论基础综述 1191041.1肺癌辅助诊断系统 13891.2深度学习方法 1258581.3YOLO理论基础 31.1肺癌辅助诊断系统在医学图像上充分发挥计算机的优势，辅助医生分析诊断病灶区域，客观性地得出诊断结果的技术称为计算机辅助诊断技术。将计算机辅助诊断技术应用于肺结节检测方面，构成一个肺癌辅助诊断系统，辅助医生判断是否患有癌症。肺癌辅助诊断系统主要实现数据加载、数据预处理、肺实质分割和肺结节检测等功能。在肺癌辅助诊断系统中，首先加载原始CT图像，由于成像设备不同，肺部CT图像中可能存在噪声影响了CT图像的质量，因此需要对CT图像进行去噪；之后为了更好地对肺结节进行检测，将图像中肺部以外的地方去掉，对肺实质进行分割，得到感兴趣区域，为肺结节检测打好基础；最后对肺结节进行特征提取，选择合适的结节检测模型对肺部CT图像进行检测，得到检测结果，辅助医生进行诊断。1.2深度学习方法1.2.1卷积神经网络图1.1LeNet-5网络结构图[35]卷积神经网络具有自我学习能力，可以自动对图像进行特征提取，广泛应用在图像分类、目标检测等问题中。卷积神经网络中包含有输入层、卷积层、池化层、全连接层和输出层，根据网络搭建的不同分为很多种，较为典型的有LeNet-5网络，其结构[35]如图1.1所示。（1）卷积层卷积层由多个卷积核组成，输入数据中和卷积核大小相同的区域称为“感受野”，将输入数据与卷积核进行卷积计算，提取数据的特征。卷积计算主要有线性卷积、反卷积和扩张卷积。卷积层中通过改变卷积核大小、卷积步长以及填充层数目，从而改变卷积层特征图的输出。卷积核大小通常不能大于输入数据的尺寸，卷积步长决定前后两次卷积计算之间的距离，同时特征图在进行卷积计算之前进行0填充或重复边界填充。卷积操作实际为线性操作，为了增加非线性，提取更加复杂的特征，经常在卷积层之后加入激活函数。常用的激活函数主要有以下几种：Sigmoid函数、tanh函数、ReLU函数以及LeakyReLU函数，其数学表达式分别为等式2-1至等式2-4。 （2-1） （2-2） （2-3） （2-4）Sigmoid函数是单调连续函数，值域范围为(0,1)，当输入很大或很小时，就会导致梯度消失，函数达到饱和，在反向传播时几乎没有输入；tanh函数比Sigmoid函数的收敛速度更快，值域范围为(-1,1)；为了解决梯度消失问题，引入了ReLU函数，该函数仅需要确定阈值就可以被激活，但在输入小于0时梯度为0，会导致神经元坏死，是不可逆的，为此提出了LeakyRelu函数，在输入小于0时，给出了一个斜率a，斜率a的值并不固定，可以改变。随着特征在隐含层之间的传输，其均值和标准差会随之发生变化，为了解决这一问题，引入批量归一化（BatchNormalization,BN），对特征进行标准化。（2）池化层在卷积计算之后，通常添加池化层对卷积层输出的特征信息进行降采样，主要有最大池化和平均池化两种操作。通过池化操作在空间上对数据降维，减少参数运算量，防止出现过拟合现象，同时降低网络的复杂程度。全连接层全连接层位于隐含层的末端，将卷积层和池化层提取的特征信息加载到全连接层进行分类，一般情况下，全连接层的输出范围不在[0,1]之间，但是分类问题要求最后输出在[0,1]之间，因此往往和softmax逻辑回归结合起来使用。1.3YOLO理论基础目标检测算法[36]主要有两种，一种是首先检测目标可能存在的子区域，再在子区域中通过卷积神经网络对特征进行提取，进而实现检测；另一种是将目标检测视为一个回归问题，直接将图片输入到网络中进行训练，是一种端到端的目标检测网络。YOLO就是一种端到端的目标检测算法，将目标检测任务分为目标检测概率以及边框回归两部分，不需要提取候选区域，直接检测到目标的边框回归以及置信度，训练速度相对较快。YOLOv1[14]通过提取图像的特征信息来进行检测，对每个类别产生预测边界框。首先将输入图像分成一个网格，在进行检测时，观察对象的中心在哪个网格中心，就由哪个网格对该对象进行检测。每个网格根据，，，和置信度这五个参数预测B个边界框，其中表示预测边界框的中心坐标，和共同决定预测边界框的尺寸大小，置信度表示预测框和真实框之间的IoU。模型损失函数由等式2-5计算： （2-5）其中表示检测对象在第i个网格中，而表示第i个网格中的第j个边界框对该对象进行预测，一二项计算边界框损失、三四项计算置信度损失和最后一项计算类别损失。YOLOv1主要包含卷积层和全连接层，将图像加载到YOLOv1网络中，首先通过卷积层提取图像特征，在经过全连接层对图像中的对象进行预测，得到预测边界框的置信度及坐标位置。其网络结构如图1.2所示。图1.2YOLOv1网络结构图[14]YOLOv2[15]在YOLOv1的基础上做了一系列尝试[37]：（1）对所有的卷积层增加批量标准化，加速了模型的收敛；（2）加入高分辨率的分类器，使预训练与实际训练的分辨率相同；（3）去掉所有的全连接层