论文部分内容阅读
随着科技的不断进步,医疗技术的不断更新,以往不能完全治愈甚至是无法医治的各种疾病逐渐地得到了完全的医治。但是仍然存在一些尚且无法医治的疾病,甚至还没有确切的诊断标准。多嚢卵巢综合征(Polycystic ovary syndrome,PCOS)是一种严重危害女性健康的疾病,主要会引起女性的内分泌紊乱,导致激素失调,进而出现月经异常,肥胖,不孕等异常现象,同时会增加糖尿病,高血压等疾病发生的概率。因此,PCOS的提前预防诊断,对减少疾病带来的影响十分重要。现代医学上诊断该疾病的主要指标是卵巢超声图像中囊泡的数量、大小和分布情况。本文将从图像分割角度来进行该指标特征的提取,具体的研究工作如下:(1)在机器学习方面,提出了一种粒子群优化(Particle swarm optimization,PSO)的模糊C均值(Fuzzy C-means,FCM)聚类算法(PSO-FCM)与标记控制分水岭方法(Marker control watershed)相结合的图像分割算法(PSO-FCM-Watershed)。首先对图像进行预处理,然后利用PSO-FCM对图像进行聚类,增强图像的对比度,再结合标记控制分水岭进行囊泡边界的分割。参考平均交并比(MIOU)和分割准确率两种评价指标,本文提出的PSO-FCM-Watershed相比于传统分割算法分别提高了近4%和14%,验证了本文方法有较好的分割效果。(2)在深度学习方面,提出一种直方图均衡化(Histogram equalization)与U型网络(U-net)相结合的深度学习算法(H-U-net)。本文先对图像进行消噪和直方图均衡化处理,再结合U-net进行模型的训练和图像的分割。本文提出的方法就评价指标相比于U-net提高了17%和15%。针对医学数据量少的情况,本文提出的方法可以在有限的训练数据上训练出更好的分割模型,优于普通的U-net方法。(3)对上述两种方法分别进行对比实验,以验证提出的方法的有效性。在机器学习方面,PSO-FCM-Watershed和传统方法对比,准确率远高于传统的方法,和U-net相比也具有较好的效果,证实了方法的优越性;另一方面H-U-net相比于普通U-net也表现出较好的效果,为深度学习对模型的训练提供了一种新的思路。此外,我们还对正常人和PCOS患者的分类指标进行了研究,实验结果表明,本文得出的关于分类指标的结论在一定程度上和较为认可的分类诊断指标符合,为后期对PCOS进一步的研究提供了理论依据。