ImageVerifierCode 换一换
格式:PDF , 页数:6 ,大小:1.90MB ,
资源ID:2574631      下载积分:10 积分
快捷下载
登录下载
邮箱/手机:
温馨提示:
快捷下载时,用户名和密码都是您填写的邮箱或者手机号,方便查询和重复下载(系统自动生成)。 如填写123,账号就是123,密码也是123。
特别说明:
请自助下载,系统不会自动发送文件的哦; 如果您已付费,想二次下载,请登录后访问:我的下载记录
支付方式: 支付宝扫码支付 微信扫码支付   
验证码:   换一换

加入VIP,免费下载
 

温馨提示:由于个人手机设置不同,如果发现不能下载,请复制以下地址【https://www.wnwk.com/docdown/2574631.html】到电脑端继续下载(重复下载不扣费)。

已注册用户请登录:
账号:
密码:
验证码:   换一换
  忘记密码?
三方登录: QQ登录  

下载须知

1: 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。
2: 试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓。
3: 文件的所有权益归上传用户所有。
4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
5. 本站仅提供交流平台,并不能对任何下载内容负责。
6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

版权提示 | 免责声明

本文(基于Faster_R-CNN的肺炎目标检测_宋雯琦.pdf)为本站会员(哎呦****中)主动上传,蜗牛文库仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对上载内容本身不做任何修改或编辑。 若此文所含内容侵犯了您的版权或隐私,请立即通知蜗牛文库(发送邮件至admin@wnwk.com或直接QQ联系客服),我们立即给予删除!

基于Faster_R-CNN的肺炎目标检测_宋雯琦.pdf

1、 年月第 卷第期计算机工程与设计 基于 的肺炎目标检测宋雯琦,赵荣彩,姜旭,刘艳青(郑州大学 信息工程学院,河南 郑州 ;郑州大学 国家超级计算郑州中心,河南 郑州 )摘要:针对肺炎图像中病灶组织与正常组织难以区分,导致的肺炎检测准确率低的问题,提出一种基于改进 的肺炎目标检测算法。通过 的流程在增强图像对比度的同时提取图像的边缘特征,提出 网络作为特征提取主干网络,提取更丰富的图像特征。在此基础上,引入 改进候选框合并策略,提高网络在多个目标肺炎区域下的检测准确率。在 数据集上的实验结果表明,该算法相比 平均精度均值提高 ,与其它目标检测主流算法 、相比平均精度均值分别提高 、,验证了其有效

2、性。关键词:深度学习;肺炎检测;快速区域卷积神经网络;医学图像处理;限制对比度自适应直方图均衡化;目标检测;非极大值抑制中图法分类号:文献标识号:文章编号:():收稿日期:;修订日期:基金项目:河南省重大科技专项基金项目(、)作者简介:宋雯琦(),女,河南安阳人,硕士研究生,研究方向为计算机视觉;通讯作者:赵荣彩(),男,河南郑州人,教授,研究方向为高性能计算;姜旭(),男,河南洛阳人,硕士研究生,研究方向为计算机视觉;刘艳青(),女,河南许昌人,硕士研究生,研究方向为图像处理。:,(,;,):,:;引言以射线影像为基础的诊断方法是肺炎诊疗过程中的重要手段,然而由于肺炎的病灶组织与正常组织在射

3、线影像中难以区分,给放射科医生日常诊断工作带来负担,也给基于计算机视觉的肺炎目标检测技术带来不小的挑战。近年来,研究人员将深度学习方法引入肺炎检测中,例如 等使用 网络充分利用标签之间的相关性提高了网络性能,但由于多种胸部疾病影像特征相似、类别较多及数据集本身存在的错误标签,导致识别率不高。等基于 提出 网络,其 指标超过放射科医生平均水平。等使用 结 合 带 核 的 分 类 器,使 得 在 上的 值也有一定提高。计算机工程与设计 年针对肺炎区域与非肺炎区域特征难以区分,造成的病灶组织 难 以准 确 定位 的 问 题。提 出 一 种 基 于 改 进 的肺炎目标检测算法,该算法选择 作为 的特征

4、提取网络,在选取残差网络 来提取更深层次的特征图的同时通过平衡网络的宽度和深度进一步提高检测精度。引入 改进候选框合并策略,以避免相邻或重叠目标框的目标漏检。在 数据集上的实验结果表明,该算法取得了较好的检测精度。肺炎目标检测算法本文提出一种基于改进 的肺炎目标检测算法,整体的算法流程如图所示。在进行特征提取之前,为了改善输入图像对比度低造成的特征学习不充分的情况,基于 流程对输入图像进行处理,在增强图像对比度的同时提取图像的边缘特征;将处理之后的图像输入到 的特征提取网络 得到更深层次的融合特征图,再通过 生成候选区域并引入 改进候选框合并策略,避免相邻或重叠的目标漏检,提高网络在多个目标肺

5、炎区域下的检测准确率;之后通过 层将提取的候选区域特征处理成固定大小的特征向量;网络的最后,利用全连接层进行分类和回归,实现对胸部 射线图像的肺炎定位。图肺炎目标检测算法流程 基于 的图像处理由于原始数据集中样本不均衡、数据量小、图像亮度低及对比度低的问题直接影响了模型的检测能力,为了更好地检测肺炎的目标区域,提高检测精度,需要对原始数据集进行诸多步骤的预处理操作。本文提出了针对原始胸部射线图像的 预处理流程,具体如图所示。为了克服样本数据的不平衡性和增加样本的数量,首先对图像进行裁剪和翻转操作,对图像进行随机裁剪,使得肺炎区域可以出现在左右肺实质的不同位置,有效增加了图像的多样性;对图像进行

6、水平和垂直翻转,扩充结果如图()所示;然后使用 对原数据集 图像进行 ,等多种规格的图片压缩处理,如图()所示;之后针对胸部射线图像亮度低及对比度低的问题,将压缩处理后的图像进行改进的限制对比度自适应直方图均衡化处理,效果如图()所示。改进的限制对比度自适应直方图均衡化()为了更充分提取射线图像中肺炎区域与非肺炎区域的特征,提出 算法。该算法将限制对比度自适应直方图均衡化()与图像锐化相结合,在增强胸部 射线图像亮度及对比度的同时有效提取了肺部边缘的轮廓信息。通过对累积分布函数()的最大斜率的限制来克服直方图均衡化()算法中的噪声过度放大的问题,其需要对每个小的区域部分都进行对比度幅度的限制。

7、中图像的任意灰度级映射曲线与 关系为图预处理流程()()()其中,为最高的灰度值;为像素个数。()与图像灰度直方图 ()的关系为 ()()()在一定程度上能够抑制图像噪声增大与对比度过度增强,但在图像灰度值突然变化的边界部分,依然第 卷第期宋雯琦,赵荣彩,姜旭,等:基于 的肺炎目标检测图预处理效果展示存在大量的噪声。针对此问题,算法将 算法与图像的锐化算法相结合,构造一个基于拉普拉斯算子的滤波器对图像进行锐化处理,图像像素的强度值记为(,),其对应的拉普拉斯算子(,)为(,)()算法所用的拉普拉斯锐化卷积模板为 ()对 处理过后的图像经过平滑处理之后再进行图像锐化处理。可进一步消除 处理后存在

8、的噪声,同时也能保护图像的边缘。算法使得最终处理的图像对比度得到增强,同时不会造成边缘细节的缺失,更有利于射线图像中肺炎区域与非肺炎区域特征的提取。改进的 算法 特征提取网络 特征提取网络由卷积神经网络()构成,常使用 、及 这些重量级网络。其中,及 在对模型进行优化时都增加了网络的深度,但 冗余的网络层会造成训练集准确率下降的现象。而 网络提出残差学习的方法有效解决了上述模型退化问题,通过跳层连接的形式改变 网络学习的目标,解决网络层数不断加深所造成的梯度消失问题。假设 的输入是,经过处理后输出(),如果将传入输出作为下一段网络的初始结果,学习的目标就变为()(),具体如图所示。原始 的主干

9、网络是 ,但是在对于胸部射线图像的特征提取过程中,由于肺炎图像中病灶模糊、通道单一,导致 不能够充分的表达图像的深层特征,因此本文引入残差网络 来提取更深层图 的残差学习单元次的特征图。同时为了提高网络计算资源的利用率,减少一定数量的卷积层权重参数来降低计算复杂度,通过平衡网络的宽度和深度进一步提高检测精度,借鉴 网络在尺度较大的块卷积之前先降维,显著增加每一步单元数目,一定程度上限制计算复杂度,通过视觉信息在不同尺度上进行处理聚合,增强多尺度特征提取的思想。对 进行改进,提出一种变体结构 ,网络结构如图()所示。采用两组连续的两个的卷积操作,保持了与采用两组的卷积操作感受野相同的情况下,使得

10、参数个数减少,训练难度降低。图网络结构设计对比 非极大值抑制算法的改进非极大值抑制算法()广泛应用于目标检测中,用来解决分类器分类时出现的候选框大量重叠的问题。会在图片中生成一系列候选框,以及其对应的得分集合,算法将选出得分最高的候选框,与剩余的候选框进行重叠度计算 ,将计算结果大于设定阈值的候选框删除。算法公式如下,(,),(,)()计算机工程与设计 年式中:计算公式如下 ()()()其中,、为两个重叠的候选框。从式()中可以看出 算法将与候选框相邻并大于阈值的候选框归零,将会导致在检测包含多个目标肺炎区域的图像时肺炎目标的漏检。针对此问题,本文引入 算法替代 算法,设置一个衰减函数而非直接

11、将相邻候选框基于重叠部分的大小分数归零,从而提高在多个目标肺炎区域下的检测准确率。公式表示如下 (,),()其中,为的得分;为当前得分最高的候选框;为待处理的候选框;为所有待处理候选框的集合。(,)为和之间的重叠率。改进的 算法流程()将原始图像经过 处理步骤,输出尺寸为的图像;()将输入特征提取模块,经过 模型提取出更深层次的特征图;()将输入 网络,利用滑动窗口方法得到区域建议网络;()将与作为 的输入,得到建议框与特征图之间的映射图。()把分别输入到分类器和回归器中,其中分类器采用 进行分类,回归器采用 算法对目标边框进行调整,实现分类目标并定位。实验与分析本实验依托于河南省超级计算机中

12、心,实验采用深度学习框架 作为开发环境,硬件配置为:,内存:,显存:。软件环境:,。实验数据集采用北美放射学会提供的胸部射线图像(),包含 张灰度 图像,图 像 分 辨 率 为 像素,图像中的肺炎病灶组织由专业医师标注。数据集经过随机裁剪及翻转扩充至 张图像。随机选取测试集 张图像与训练集 张图像。数据集胸部射线图像 如 图 所 示,图()表 示 肺 部 正 常 的 图 像,图()表示含有肺炎的图像。实验中所采用的评价指标为平均精度均值 ,表示 算 法 在 不 同 的 平 均 精 度。表 达 式 如 下 所 示,式()中,其中代表每个测试图片的分数,代表所有测试图片的数量。式()中,是 的阈值

13、,是 的阈值为时的 值,为类别个数,即本文中的值为(,)()图胸片图像 (,)()为了对比不同特征提取网络对检测精度的影响,分别使用 、进行实验,分别对预处理之后的数据集进行训练,其中预处理只包含最基本的裁剪、翻转及压缩。表所示为不同特征提取网络下的实验结果。表不同模型下的实验结果 基于相同的实验前提条件下,就检测精度而言,相比 、在 分别为 、不同的阈值下都取得较好地平均精度,同时整体的 值最高。本文通过平衡网络的宽度和深度提出的 模型,多尺度对肺炎图像特征进行提取,使得最终 相比 模型提高 ,所以最终使 用 网 络 作 为 的 特 征 提取网络。为了验证不同尺寸的图片对检测精度的影响,保持

14、 作为特征提取网络不变,分别使用 、的图片输入进行训练,在进行了 次训练之后,表所示为实验结果。表不同图片尺寸下的实验结果 由表中的组实验结果对比可知,在同一训练方式、硬件允许且网络模型合适的条件下,尺寸相近时,第 卷第期宋雯琦,赵荣彩,姜旭,等:基于 的肺炎目标检测时即正方形图片效果较好,当同为正方形图片时,图片的尺寸越大,网络提取到的特征越丰富,检测精度也就越好。因此,本次实验选取 的图片作为网络的输入。为了验证 算法对 检 测 效 果的影 响,本 组 实 验 在 作为特征提取网络的基础上,分别使用未处理过的 图 片,经 过 处 理 的 图 片,及 经 过 处理的图片作为输入进行训练。未经

15、过处理的图片如图()所示,经过 处理的效果如图()所示,经过 处 理的效 果如 图()所 示。经 过 轮的迭代训练之后得到的结果见表。图不同预处理方式效果展示表不同预处理下的实验结果 未处理 从表实验数据可以看出,使用 对胸部射线图 像 进 行 预 处 理 的 方 法,在 分 别 为 、不同的阈值下相比未经处理、都有着更好的表 现,其 处 理 方 式 比 处 理 方 式 提高了 ,比未经处理的 提高 。由实验结果对比得出,对胸部射线图像进行 预处理的方式,更有利于特 征 的提取,从 而 获得 更 高 的 检测精度。针对传统 算法容易造成多个目标肺炎区域漏检的问题,模型引入 算法替换原始 中的

16、算法。实验结果见表。表不同非极大值抑制下模型的实验结果 实验结果表明在保证预处理步骤一致,特征提取网络相同时,模型采用 算法比传统 算法 提高 ,有效提高了目标检测的性能,对肺炎的检测效果更好。图为原始检测模型与本文改进的肺炎检测模型的检测效果,其中白色框表示真实坐标框,黑色框表示算法预测的坐标框。图()为原始检测模型下 检测效果,图()为改进的肺炎检测模型的检测效果,可以发现,无论是在单目标还是多目标的肺炎区域检测中,本文改进的模型检测效果都优于原始检测模型。图原始检测模型与改进后模型实验效果计算机工程与设计 年对本文所提出算法的有效性进行进一步的验证,在保证实验环境相同、数据集一致的情况下,选取主流的目标检测算法 、进行对比实验,同时与刘毛、马书浩等改进的模型进行对比实验。表总结了不同方法的检测准确率:表不同方法的检测准确率方法 融合模型 由表中的实验结果可知,本文通过 的流程对输入图像进行处理,提出 作为 检 测 算 法 的 前 端 特 征 提 取 网 络,将 末端回归器改进为 的训练方式与主流的目标检测算法 、实验结果对比平均精度均值分别提高 ,与较新的改进模型相比也能够获得较

copyright@ 2008-2023 wnwk.com网站版权所有

经营许可证编号:浙ICP备2024059924号-2