论文题目：基于深度学习的口腔医学图像识别技术研究
摘要：近年来口腔健康受到越来越多的关注,口腔白斑、口腔扁平苔藓、口腔癌症和复发性口腔溃疡属于典型的口腔黏膜性疾病。口腔白斑和口腔扁平苔藓属于癌前病变,存在转变为口腔癌症的机率,复发性口腔溃疡若长久不愈也存在恶变的可能,因此及时诊断治疗十分重要。目前口腔黏膜性疾病的识别主要依靠医生的临床经验进行主观判断,该方法导致识别的准确率低、医生的工作量大。针对以上问题,本文旨在研究基于深度学习的口腔医学图像识别技术,具体研究内容如下:首先,针对口腔疾病数据集数量较少、识别准确率低的问题,使用多种数据增强算法进行数据扩增,提出基于迁移学习和Efficient Net的口腔疾病图像识别算法。网络整体结构基于Efficient Net B0网络;使用Focal Loss作为损失函数,模型进行两次迁移学习,将在Image Net上训练的参数先迁移至ISIC2018皮肤数据集上,训练完成后将参数保存,再迁移至口腔数据集中;优化微调策略,用Adam结合SGD优化算法共同微调网络模型,使网络的整体稳定性和泛化能力提升,网络的识别准确率增加。其次,为进一步提升模型的识别准确率,提出一种基于多层次特征融合的口腔黏膜性疾病识别方法。使用Efficient Net模型做深层特征的提取,使用HSV,方向梯度直方图（histogram of oriented gradient,HOG）和灰度共生矩阵（gray-level co-occurrence matrix,GLCM）分别提取口腔疾病的颜色、形状以及纹理的浅层特征,利用随机森林（random forest,RF）算法进行特征选择,选取与目标值关系更大的特征,降低特征的维度,避免模型过拟合,采用支持向量机（support vector machine,SVM）等传统分类器进行最终的分类识别,再次提升口腔疾病的识别准确率。最后,将所提深度学习算法与口腔黏膜性疾病的实际诊断场景结合,基于Py Qt和Opencv开发可视化GUI界面,将训练完成的卷积神经网络模型与界面结合。根据医生诊断时的具体需求,设计功能完善的口腔黏膜疾病诊断软件。软件包括疾病诊断功能,对输入的口腔疾病图片进行诊断;图像裁剪功能,提取口腔黏膜性疾病图像的感兴趣区域,提高诊断的准确性;图像缩放和平移功能,方便口腔医生查看图片的细节;以及图像对比度功能,让图像的颜色变化更加明显,便于医生定位出病灶位置。研究结果表明,所提算法可以有效解决口腔疾病识别中误判多、准确率低等问题。同时该方法能达到准确率92.89%、灵敏度89.91%、特异性96.06%以及AUC值0.9809。开发的口腔黏膜性疾病软件能辅助医生进行诊断,快速定位口腔病灶位置,提高了医生的工作效率和准确率,加快了患者的治疗进度,降低了疾病带来的经济损失。
关键词：口腔疾病图像;迁移学习;Efficient Net;多层次特征融合;特征选择
学科专业：光学工程
摘要
abstract
1 绪论
1.1 选题目的和意义
1.2 国内外研究现状
1.2.1 深度学习在医学图像领域研究现状
1.2.2 口腔疾病图像识别技术研究现状
1.3 论文研究内容
1.4 论文各章节安排
2 深度学习相关技术介绍
2.1 深度学习概述
2.2 卷积神经网络
2.2.1 全连接层
2.2.2 卷积层
2.2.3 池化层
2.2.4 激活函数
2.2.5 批归一化层
2.2.6 目标函数
2.3 经典神经网络模型
2.3.1 VGGNet
2.3.2 Goog Le Net
2.3.3 Res Net
2.3.4 Dense Net
2.4 迁移学习
2.5 防止过拟合的方法
2.6 本章小结
3 基于迁移学习的口腔疾病图像识别
3.1 口腔疾病数据收集
3.1.1 数据增强算法
3.1.2 数据预处理
3.2 Efficient Net网络介绍
3.3 基于迁移学习的口腔疾病图像识别方法
3.3.1 模型结构
3.3.2 改进迁移学习
3.3.3 渐进式微调
3.4 实验结果与分析
3.4.1 评价指标
3.4.2 改进迁移学习实验
3.4.3 渐进式微调实验
3.4.4 不同网络模型对比实验
3.4.5 卷积神经网络可视化
3.5 本章小结
4 基于多层次特征融合的口腔疾病图像识别
4.1 传统特征提取
4.1.1 GLCM纹理特征
4.1.2 HOG形状特征
4.1.3 HSV颜色特征
4.2 深度学习特征提取
4.2.1 模型结构
4.2.2 损失函数
4.3 随机森林特征选择
4.4 实验结果与分析
4.4.1 传统手工设计特征识别实验
4.4.2 结合深度学习特征与传统图像特征识别实验
4.4.3 经典卷积神经网络对比实验
4.4.4 绘制模型混淆矩阵实验
4.4.5 模型可视化实验分析
4.5 本章小结
5 口腔黏膜性疾病诊断软件
5.1 PyQt介绍
5.2 软件架构
5.3 软件展示
5.3.1 界面展示
5.3.2 模块展示
5.4 本章小结
6 结论与展望
6.1 结论
6.2 展望
参考文献
致谢