论文部分内容阅读
在医学图像中,组织切片图像中密集分布的微血管是判别肿瘤生长和恶性程度的重要特征。针对微血管医学图像分类任务的分类算法对医疗诊断有着重要的辅助作用。同时,皮肤癌作为全球最常见的癌症,通常是通过皮肤表层的色素和纹理来诊断皮肤病变类型。但是,由于皮肤病理类型的种类多,且病理特征较为复杂,往往需要经过专业培训的医学工作者才能完成诊断工作。因此,有效的自动化皮肤病理检测算法可以在很大程度上缓解皮肤病变诊断中所需的人力资源。然而,利用深度神经网络处理图像分类任务往往需要大量样本参与训练。但在医学领域中,很难满足深度学习所需的大量数据。同时,基于大规模数据的深度学习网络模型泛化性弱,很难在短时间内适应新的分类任务。因此,本文提出以元学习框架为基础对医学图像分类问题展开分析,主要研究内容为以下三个方面:1.研究和分析了医学图像的预处理方法。本文根据微血管图像对于颜色特征的敏感性,采用基于单对抗神经元(Single Opponent,SO)的特征提取算法对其进行图像的预处理。针对皮肤病理图像的照度异常问题对病理区域特征产生的消极影响,本文采用自适应环绕调制(Adaptive Surround Modulation,ASM)的色彩恒常化算法进行照度的校正。同时,由于皮肤病理图像样本数量严重不均衡,采取结合基于图像处理的数据增强和条件生成对抗网络(Conditional Generative Adversarial Nets,CGAN)等方法扩充医学图像数据集。再利用最大熵方法筛除冗余样本,最终实现数据的均衡化处理。2.研究和分析了用于医学图像分类的元学习算法。利用与模型无关的元学习算法(Model-Agnostic Meta-Learning,MAML)中元学习器的训练分类样本来优化的环形互相关滤波模板对分类器的预测结果进行多批次投票,最终得到优化的医学图像分类结果。同时,根据MAML网络结构,提出改进方案,通过加入卷积层,非线性层和改进池化方式提升元学习分类器的分类效果。3.研究和分析了长短期记忆(Long Short-Term Memory,LSTM)模型算法,提出将LSTM优化的元学习算法用于基于双对抗神经元模型(Double Opponent,DO)优化微血管图像的分类方法。并在实验部分介绍了该方法相比其他前沿算法所具有的领先优势。本文经过大量实验验证了样本均衡化,基于SO,以及ASM的色彩恒常化特征预处理算法对于基于元学习的医学图像分类算法的分类效果均有所提升。并提出利用环形互相关滤波进行多批次投票的改进元学习算法。并通过改进元学习网络提升了分类性能。提出的基于LSTM优化的元学习算法在优化的微血管图像分类中取得了很好的分类效果。另外,在提升医学图像分类效果的同时,元学习器还发挥了在不同新任务上的泛化优势。这种处理医学图像分类的方法为智能医疗诊断的实施提供了良好的理论和实践基础。