论文部分内容阅读
现代医院每天都会产出大量的医学图像,这些医学图像数据都会被传入医学云影像中心。由于云影像中心中的医学图像是杂乱无章的,所以在这些图像数据应用到实际的挖掘工作之前首先应对其进行清洗,得出适合挖掘的医学图像数据。随着数据挖掘概念的提出,很多优秀的数据挖掘方法由于其强大的分类能力也被应用到医学图像分类中,但是其中大部分都是先对其进行特征提取,即提取医学图像数据的统计学特征进而在得到的特征数据集上对其进行分析研究,利用一些比较好的统计学习方法进行分类。而近几年随着深度学习方法的研究取得重大的进展,一些较好的深度学习方法也自然而然的应用到医学图像分析领域,其中的典型代表就是卷积神经网络。利用卷积神经网络对图像进行分类不仅提高了图像分类的准确率,而且还可以省去传统统计学习方法特征工程部分,大大提高了图像分类的效率。因此本文主要对利用卷积神经网络对医学图像分类的方法以及利用卷积神经网络提取图像特征进行了研究。本文首先回顾了国内外在图像分类领域的研究现状,接下来介绍了传统的统计学习方法中应用在医学图像分类领域较为优越的词袋模型以及图像领域表征性较强的SIFT特征,并且详细介绍词袋模型的基础理论和应用领域以及SIFT的基础原理和应用。然后讲述了深度学习以及卷积神经网络的基本理论以及其在图像分类领域的应用。最后针对传统统计学习的分类方法和卷积神经网络方法各自的特点,进行了取其各自所长将两者结合起来的探索。在最后的通过实验结果进行验证部分,我们首先对利用卷积神经网络与利用词袋模型对医学图像分类的实验结果进行对比分析,说明基于深度学习方法的卷积神经网络在医学图像分析方面不仅可以省去人工特征工程的工作,而且分类效果比传统统计学习方法更好;然后通过将卷积神经网络自动提取特征以及传统分类方法的分类能力相结合进而对医学图像进行分类与前两种分类方法进行实验分析比较,验证了将基于深度学习的卷积神经网络与传统统计学习方法相结合的分类方法在医学图像分类领域较有很好的优越性。