香桃木信息通信
INFORMATION & COMMUNICATIONS
2019年第10期(总第202期)
2019
谷物大脑在线阅读(Sum. No 202)
防火墙技术的应用
华南农业大学设备处基于深度学习的CT 图像识别方法的研究苏雪議
(中国医学科学院阜外医院,北京100037 )
摘要:随着我国社会不断向前进步,人工智能技术越来越先进,图片识别技术发展也快越来越快,其能够有效改变传统图
片处理方式,而且采用智能大数据技术,可以提高图片识别准确度。文章主要分析基于深度学习的CT 图像识别方法研 究,首先简述深度学习与CT 技术图像分析特点;其次,分析深度学习的几种方法,并总 结分析深度信念网络模型的整体
构建步骤;然后总体讨论深度学习在医学方面的应用,主要包括图像分类、检測及分割等;最后,总结CT 图像分在未来
的研究与应用及其挑战等。因此,文章结合深度学习系统对CT 图像识别方法进行分析论述.,具有一定的重要意义。
关键词:深度学习;CT 图像;图像识别;方法
中图分类号:TP391.4 文献标识码:A 文章编号=1673-1131(2019)10-0012-02
随着我国在影像技术方面的逐渐发展,CT 也成为图像识 别领域的重要研究方向,尤其是针对于临床筛查和医学疾病
精加力诊断方面。近几年来,深度学习技术发展越来越快,已经成为
了人工智能方面的热门话题,并逐渐将其应用于医学影像领 域。医学图像领域属于一列综合交叉学科,主要涉及到数学
建模、医学影像及一些计算机技术,其能够在大数据方面具备
更强的学习适应模型。此外,医学大数据经常涉及到不同信
息的融合,涉及范围更加分散且零碎,结构相对较为复杂。CT 图像识别研究主要利用患者影像资料,对其进行初步判断临
床结果,其可以采用对应软件进行分析,并再次进行确认。该
技术仍然需要一些技术人员进行分析,将其深度学习模型与 图片识别技术相结合,逋过对一些数据进行分析,提取不同单
元信息加以处理,能够发现内部一些结构特征信息,因此,本 文从深度学习为基础,就如何对图像识别方法进行研究,并对
其应用进行论述,并提出合理化意见。
1深度学习及CT 图像概述
在机器学习总体研究中,深度学习只是属于研究中的一
个新的方向,其主要目的是通过构建一系列多层的学习模型,
对其大量数据进行训练,提取相对学习有更用的特征信息,这
样可以对一些信息进行有效预测,提高准确度。深度学习可以
将一些内部基本特征于数据联系进行分类,通过不断训练将其
运用到无监督学习中,其可作为预训练部分。相比传统方法, 该深度学习模型具有一些优势,如,较好的分类能力。在深度
学习中,其模型可以分为卷积神经网络(convolutionaJneuralnet-
works, CNN)、循环神经网络(RNN)、深度信念网络(deepbeliet net-works,DBN)^O DBN 总共包括预训练、微调两个阶段。
1 豈应袖绍网绍梵水结沟團
CT 图像:具有精确准直的1射线束,将其用于照射人体
_定厚度部分,并且随着射线束旋转的探测器接收通过该部
分传输的X 射线,利用所接收的X 探测器、射线信号数据重建 人体的总体3D 图像。CT 图像相对分辨率较高,可以达到亚 毫米级,能够直观看到清晰的人体骨组织解剖,还包括一些病
变图像,并可用于各种临床疾病的诊断和检査。而CT 图像
也存在一些缺点,例如不能提供高清晰的软组织。因此,软组
织器官和CT 图像的高精度分类,检测,定位和分割是困难的。
李博祥2课度信念网络学习方法
本节讨论常用的深度信念网络(DBN),主要介绍怎样利 用一系列模型训练样本数据来研究各级图像的特征信息。早
些年,Hinton 第一次提出DBN,将堆叠多台受限制的Boltzm
ann 机器(RBM)而用来获得深Boltzmann 机器(DBM), RBM 是属于DBN 一个基本单位,每一个RBM
包含随机隐藏单元
的隐藏层(伯努利分布)和由随机可见元素组成的可见层(伯
诺利分布或高斯分布)共同组成。RBM 使用对比度梯度算法
((contrastivedivergence, CD)来训练未标记的样本。通过组合 多个RBM,将RBM 上层的特征激励用作下一层的训练数据, 从而可以有效地执行隐藏层的数据特性。DBN 方注腳训
练和微调两个时期。预训练预先估计初始化权重参数,并且
DBN 通过CD 算法单独训练RBM 网络的每一层,即,对比度
发散。在预训练之后,参数被微调。深度信念网络的最后_
层通常是BP 神经网络,它可以监督分类器。
深度信念网络算法在时间、速度、作用方面的效果比较明
显。特别是它可以充分利用大数据的优势,通过训练多层RBN 优化初始权重参数,能够大大缩短整个模型过程的训练时间。
因此可以将其方法应用于各种图像识别等领域。将深度信念
网络模型来分析和识别MNIST 库中手写字体信息,使用双层
DBN 结构,设置100个单元,其就是每层RBM 包括100迭代 次数,并且迭代时间在BP 层中设置。采用sigmoid 激活函数。 深度信念网络识别率整体与CNN 相似,但训练时间效率提高,
12