【摘 要】
：
乳腺癌是中国女性最常见的癌症之一。早期发现、正确诊断对提高生存率极为重要。在临床实践中,乳腺钼靶x线摄影术是一种广泛用于乳腺癌早期筛查的最可靠的方法。为了正确地发现和诊断乳腺癌,放射科医生必须每天阅读大量的乳腺钼靶x线图像,持续的高负荷工作不可避免地给他们造成视觉和心理疲劳,导致诊断结果受影响。因此,有必要使用计算机辅助检测和诊断技术给放射科医生提供第二意见,协助放射科医生进行准确诊断。随着现代科
论文部分内容阅读
乳腺癌是中国女性最常见的癌症之一。早期发现、正确诊断对提高生存率极为重要。在临床实践中,乳腺钼靶x线摄影术是一种广泛用于乳腺癌早期筛查的最可靠的方法。为了正确地发现和诊断乳腺癌,放射科医生必须每天阅读大量的乳腺钼靶x线图像,持续的高负荷工作不可避免地给他们造成视觉和心理疲劳,导致诊断结果受影响。因此,有必要使用计算机辅助检测和诊断技术给放射科医生提供第二意见,协助放射科医生进行准确诊断。随着现代科技的进步,深度学习在乳腺癌诊断中发挥了关键作用。然而,基于深度学习的乳腺癌诊断技术仍然存在如下局限性:1)乳腺钼靶x线图像中的肿块与周围乳腺组织对比度较低,直接使用传统方法不易获得较好的检测性能。此外,缺乏大规模标注的乳腺钼靶x线图像数据,容易造成模型在训练过程中出现过拟合的问题;2)乳腺钼靶x线图像中有部分肿块存在互相遮挡的情况,在检测过程中会出现误检的问题;3)由于乳腺钼靶x线图像中小尺寸的肿块所占的比例较大,在检测过程中会遇到漏检的情况。针对上述问题,本文通过结合图像处理技术和目标检测算法对乳腺钼靶x线图像中的肿块检测技术进行了研究,主要分为以下三个部分:（1）乳腺钼靶x线图像预处理方法。为了加强乳腺钼靶x线图像中肿块和其他乳腺组织之间的对比度。本文采用了形态学上的双帽变换的方法,在增强结构元素内的肿块信息的同时,保持结构元素外的组织信息不变,达到局部增强的效果。为了解决缺乏大规模乳腺钼靶x线图像标注数据的问题,本文采用了Cutout、Cutmix和Mosaic等数据增强方法来扩充乳腺钼靶x线图像数据集,使原始数据集扩大了五倍。增强后数据集的mAP@0.5和F1相比原始数据集分别提高了4.18%和3.11%,改善了乳腺肿块检测的性能。（2）MSD-YOLOv3（Multi-scale Soft-NMS DIo U YOLOv3）乳腺钼靶x线图像肿块检测系统。针对基于深度学习的乳腺癌诊断中互相遮挡的肿块易被漏诊的问题,本文提出了一种用于乳腺肿块检测的MSD-YOLOv3网络。首先,在特征融合模块中添加了自底向上的路径,并采用级联和跨层连接的方式充分利用底层特征信息,提高了乳腺肿块的识别精度;其次,为了筛选出更精确的预测框,避免互相遮挡的肿块出现漏检的情况,在软非极大值抑制算法（Soft Non-Maximum Suppression,Soft-NMS）中引入了距离交并比（Distance Intersection over Union,DIoU）来抑制冗余的预测框。实验结果表明,本文提出的乳腺肿块检测系统在检测乳腺肿块中互相遮挡的肿块方面有较高的准确率,mAP@0.5达到了95.48%,F1达到了94.83%,优于对照组算法。（3）RFD-YOLOv3（Recursive Feature Depthwise YOLOv3）乳腺钼靶x线图像肿块检测系统。针对乳房x线摄影图像中小肿块的特征提取难度大导致其常被漏诊和误诊的问题,提出了基于RFD-YOLOv3的乳腺肿块检测和分类方法。首先,采用递归特征金字塔作为特征融合模块,提高了小肿块的识别精度。其次,为了加快计算速度,节省计算成本,提出了一种改进的深度可分离卷积来代替主干网络中的标准卷积。最后,对改进模块做了消融实验并与其他传统目标检测算法进行了对比分析。实验结果表明,改进的YOLOv3乳腺肿块检测方法的mAP达到了96.17%,相较于原始YOLOv3算法提升了2.43%,每张图像的检测时间只需要18ms,相比YOLOv3缩短了4ms。
其他文献
移动机器人作为智能机器人的重要分支之一,关于其路径规划的研究,一直被国内外学者作为研究的热点。近年来,随着人工智能与智能制造技术的飞速发展,移动机器人与各种智能算法结合,应用领域不断扩展,但也同时面临着更多的挑战。目前,大多数学者都是针对已知环境下的路径规划算法进行研究,移动机器人缺乏自主学习性,当面临未知环境时很难找到一条抵达终点且无碰撞的路径,并且大部分都是输出离散动作,不符合场景应用。因此,
随着科学技术的发展,自动控制系统的规模越来越大,复杂程度越来越高,组成系统的电子元器件也越来越多。然而控制系统可能因为元器件老化、外界灾害、人为损害或误操作等问题发生故障,导致整个系统的安全性和可靠性降低,甚至造成不可挽回的损失或灾难。为了提高系统的安全性和可靠性,本文以多变量系统为研究对象,设计了多模型自适应执行器故障诊断和调节策略,并将其应用于高速列车牵引电机故障诊断与调节中,使其在存在未知牵
地理环境的异常震动通常预示着地质灾害等事件的发生,对异常震动事件的检测也成为降低人员伤亡和财产损失的有效手段。现有常见的地质震动监测设备通常为内含加速度传感器的传统测振仪,其识别准确率较高,但因为价格高、体积大等缺点无法进行大面积的部署。随着电子技术的飞速发展以及智能手机的全面普及,智能手机加速度传感器成为环境震动实践监测的新基础设施,利用普通用户的智能手机等电子设备实现异常事件的检测也成为新的研
随着电动汽车（Electric Vehicle,EV）市场的快速发展,严重影响和制约电动汽车动力性能的汽车电池相关核心关键技术的研究已成为一个热点问题。其中,电池的充电状态（State of Charge,SOC）在电动汽车电池管理系统（Battery Manage System,BMS）中极为重要。它可用于表征汽车电池的剩余能量及其工作状态,从而合理安排充电时间及其他相关事项,以确保电动汽车的可
凸二次规划问题在许多领域中都有广泛的应用,系统分析,组合优化等诸多科学问题与工程问题都可以表述为凸二次规划问题后求解。一般而言,二次规划问题在经过拉格朗日法处理后可以利用神经网络求解。但是传统微分神经网络在面对大规模实时二次规划问题时表现不佳,存在求解精度较低以及收敛时间过长的缺点。基于此,本文提出了新型积分动态学习网络和变参积分动态学习网络。仿真实验证明这两种神经网络都有收敛速率快,求解精度高的
随着国家经济水平的迅速提升和道路建设的快速发展,近十年我国各城市机动车数量不断增加。交通问题已经成为城市管理的重要问题,给城市社会经济发展造成严重影响。智能交通系统是未来交通系统的重要方向。车辆细粒度分类是智能交通视频分析的关键技术。车辆细粒度分类的目的是给定一帧车辆的视频图像,识别出该车辆的具体车型。车辆细粒度分类已有不少研究成果,然而依然是亟需解决的难题,面临类内差异过大和类间差异过小的挑战。
钢轨作为铁路的重要组成部分,在长期反复荷载作用下,容易出现表面伤损和内部伤损,且主要表现为表面伤损。钢轨表面伤损不仅会使列车产生振动、噪音,影响列车的运行质量,并且当伤损发展到一定程度,将导致钢轨断裂,甚至导致列车出轨、倾覆等事故,影响列车运行安全。因此,对钢轨表面伤损检测进行研究具有重要的意义。在常用的钢轨表面伤损检测方法中,涡流检测、漏磁检测、激光超声检测、声发射检测等物理检测方法和传统图像处
人群计数出现时间很早,最早的时候人们采用检测、回归的方法进行人群计数。随着深度学习的发展,人们也开始使用深度学习的方法得到一张图片的人数。在地铁场景中,实现人群计数有着很大的意义。本文按照人群密集程度将地铁站台场景划分为密集场景,将站厅和出入口场景划分为稀疏场景,分别进行计数。一、密集场景下静态人群计数网络。密集场景采用了自适应的远近景划分计数网络（Gr CNet）进行计数。该模型分为两个阶段,第
随着机器学习算法模型规模和数据量的高速增长,单个节点不能够有效的承担大规模训练所需的计算和存储需求,因此在分布式集群中运行大规模机器学习算法已成为常用方法。分布式机器学习关键在于如何解决划分训练数据、分配训练任务、调配计算资源、整合分布式的训练结果等问题,以达到训练速度与训练精度的平衡。因为现在大规模机器学习领域的主要矛盾仍然是训练数据量过大导致的训练速度缓慢,所以目前常用的分布式机器学习方法是采
机器人的应用范围已经越来越广泛,与人一起工作形成人机协作共同完成任务已经是随处可见。在传统的人机协作中,为保证安全,机器人与人要处于分离状态,这种状态下的人机交互维度单一、效率低下。在新型的人机协作中,机器人与人可以安全合作分享同一个工作空间,与人的能力形成互补,充分发挥机器人与人之间的优势,从而提高自动化程度。在此环境下,机器人应该及时对人的动作做出预测,这一点尤为重要,使用给定的运动数据来学习