论文部分内容阅读
背景:在患者诊疗过程中,医学影像学重复检查的现象比比皆是,其中大部分检查是非必要重复检查。这一现象不仅加重了患者的经济负担,更对患者健康及医患关系造成了影响。造成非必要医学影像学重复检查的原因是多方面的,包括医疗资源配置不够合理、相关规章制度不够完善等。同时,深度学习技术越来越多的在医学领域得到应用,其中有监督学习中的卷积神经网络作为常规图像识别算法在医学领域内也已经获得认可,而无监督学习算法的研究仍在继续。针对非必要医学影像学重复检查的问题,结合当前热门的深度学习技术,本研究尝试为构建医学影像标准化平台提供前期算法研究。对象:本研究以CT图像为研究对象,主要通过检索主流公共在线数据库(UCI、TCIA等)中分享的CT图像来获得。其中样本量的大小通过样本量计算公式获得。最终,经过筛选有1000张CT图像被纳入研究。同时将纳入研究的CT图像按照7:3的比例分为训练集和测试集。方法:本研究在CT图像分类阶段使用的是有监督学习中的卷积神经网络算法,而图像标准化阶段则是以无监督学习中的生成式对抗网络架构为基础改良的算法。在图像分类阶段中,我们对当前热门的三类卷积神经网络算法CifarNet、AlexNet和GoogLeNet进行比较并进行选择,图像标准化阶段中对热门图像转化及提升算法CycleGAN、WGAN和WGAN-GP进行比较并进行选择。结果:通过比较后用于图像分类的三种卷积神经网络算法中GoogLeNet的表现效果最好。同时结合现有的硬件条件,综合最高的图像分类效率,最终在CT图像分类阶段使用的GoogLeNet-CNN算法进行训练,700张入组图片中有231张为低“噪声”,高清晰度的CT图像,469张高“噪声”含量,低清晰度的CT图像。通过比较三类图像转化和质量提升算法,最终发现在现有的硬件条件下WGAN是最适合进行图像标准化的无监督学习算法,因此在,CT图像标准化阶段使用WGAN算法进行训练,经过训练后CT图像清晰度发生了明显改善,除了利用主观判断外,依据定量分析,经过训练后CT图像的整体峰值信噪比由最初的19.790提升到23.017,结构相似度为0.775。结论:本研究论证了GoogLeNet-CNN在医学影像学资料中分类的能力,并且也证明了其作为目前发展最好的卷积神经网络算法,效率最高且可识别的图像分辨率最高。而且有监督深度学习在医学领域的应用仍然有待探索,除了用作图像识别,未来也可以作为其他医疗活动的辅助手段。此外,本研究中尝试编写的“CT图像标准化算法”是为后续准备搭建的医学影像标准化平台提供算法和理论依据。构建医学影像标准化平台不仅可以完善我国区域健康信息交换平台的建设,整合和共享区域内医学影像的资料,还可以整合共享医学影像学诊断专家资源、完善远程医学影像学服务等。