基于迁移学习与卷积神经网络的乳腺肿瘤CAD系统

《基于迁移学习与卷积神经网络的乳腺肿瘤CAD系统》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、基基基于于于迁迁迁移移移学学学习习习与与与卷卷卷积积积神神神经经经网网网络络络的的的乳乳乳腺腺腺肿肿肿瘤瘤瘤CAD系系系统统统BreastCancerComputer-aided-diagnosisSystemBasedonTransferLearningandConvolutionalNeuralNetworks工程领域：电子与通信工程作者姓名：吴泽蕤指导教师：褚晶辉副教授企业导师：国狄非天津大学电气自动化与信息工程二〇一七年十二月摘摘摘要要要乳腺肿瘤计算机辅助诊断CAD(Computer-aidedDetection)系统

2、，在医学检测和诊断中扮演越来越重要的角色。为了区分核磁共振图像(MRI)中肿瘤与非肿瘤，利用深度学习和迁移学习，设计了一种新型乳腺肿瘤计算机辅助诊断CAD(Computer-aidedDetection)系统。首先对数据集进行不平衡处理和数据增强；然后，在MRI数据集上，利用卷积神经网络（CNN）提取CNN特征，并利用相同的支持向量机(SVM)分类器，计算每层CNN的featuremap的分类F1分数，选取分类性能最高的一层作为微调节点，其后维度较低层为连接新网络节点；之后，在选取的网络接入节点，连接新设计的两层全连接层组成新

3、的网络，利用迁移学习，对新网络载入权重；最后，采用固定微调节点前的网络层不可训练，其余层在训练中可训练的方式微调。分别基于VGG16、InceptionV3、ResNet50三种网络构建CAD系统，性能均高于主流的CAD系统，其中基于VGG16和ResNet50搭建的系统性能突出，并进一步在VGG16系统中探索二次迁移对实验结果的影响，结果表明二次迁移可以提高系统性能。关关关键键键词词词：：：计算机辅助诊断；乳腺癌；深度学习；迁移学习；深度卷积神经网络；分类IABSTRACTBreastcancerComputer-aided

4、detection(CAD)systemisplayingamoreandmoreimportantroleinmedicaldetectionanddiagnosis.Inordertoclassifytumorandnontu-morinMagneticResonanceImaging(MRI),anovelbreastcancerCADsystembasedondeeplearningandtransferlearningisdesigned.First,balancetheimbalanceddatasetsandus

5、edataaugmentationtodealwithit.Then,useconvolutionalneuralnet-work(CNN)toextractCNNfeaturesfromMRIdatasets,usethesamesupportvec-tormachine(SVM)toevaluatethefeatureextractionabilitiesofdifferentlayers,selectthehighestF1scorelayerasthenodeoffine-tuning,thelayersbehindit,

6、whichhasrelativelylowdimensionasthenodeofconnectionofnewnetworks.Next,connectt-wonewlydesignedfully-connectedlayersafterthesecondnodeisselected.Atlast,freezethelayersbeforethenodeoffine-tuning,whileotherlayerscouldbetrainedinthefine-tuningprocedure.TheCADsystemsarebui

7、ltonthreeCNNnetworks,includeVGG16,InceptionV3andResNet50.TheeffectofthesystembasedonVGG16andResNet50havethebestperformance.Thenfurtherexplorationismadeontheper-formanceoftwicetransferlearningbasedonVGG16network,andtheresultshowsthattwicetransferlearningcouldimproveth

8、eperformanceofthesystem.KEYWORDS：：：Computer-aideddiagnosis;breastcancer;deeplearning;transferlearning;deepconvolutionalneuralnetwork;class