基于深度学习的血管网络发育模式研究

基于深度学习的血管网络发育模式研究

论文摘要

血管网络发育模式能够反映血管的正常生长过程,为研究生命体发育和肿瘤生长机理提供重要的参考。血管网络发育过程主要受到血液流速和新陈代谢需求等一系列生物力学和生物化学作用的共同调控,具有多时间尺度和空间模式变化复杂的特点。受限于缺少评估血管网络形态变化的图像技术,早期对血管网络发育模式的研究主要聚焦于分子、细胞等因素。随着深度学习的不断发展,越来越多的研究人员将其应用于与医学影像,尤其是与血管网络图像的结合,得到了很好的研究效果。通过对深度学习模型的训练,使得模型能够精确地识别不同发育阶段的血管网络,这有助于分析血管网络的发育模式。本论文完成的主要研究工作和成果如下:(1)对原始数据进行数据增强。针对鸡胚胎血管网络的原始数据多样性少的问题,本文提出了一种用于深度学习评估血管网络发育水平的数据集增强方法。该方法能够有效增加血管网络图像的多样性。(2)基于卷积神经网络的不同发育阶段的血管网络识别。本文将卷积神经网络用于不同发育阶段的血管网络识别,主要包括三个部分:构建模型、训练模型和测试模型。模型经过调试最终分类的正确率达到了98%以上。(3)对测试数据进行可视化操作。在对不同阶段血管网络识别的基础上,本文继续深入研究,对模型的预测进行可视化操作。通过对测试集的可视化操作,便于本文后期对卷积神经网络模型预测结果的解释,同时也能够直观地体现不同发育阶段血管网络的特征。通过上述工作,实验得到了较好的研究结果。通过可视化技术,较好地展现了不同发育阶段血管网络的特征和生长趋势。

论文目录

  • 摘要
  • abstract
  • 第1章 绪论
  •   1.1 课题研究背景和意义
  •   1.2 国内外的研究现状
  •   1.3 本文内容结构
  •   1.4 本章小结
  • 第2章 深度学习相关基础理论知识与可视化技术
  •   2.1 深度学习的基础理论
  •     2.1.1 深度学习的发展过程
  •     2.1.2 深度学习的模型结构
  •   2.2 卷积神经网络
  •     2.2.1 卷积神经网络的原理
  •     2.2.2 卷积层
  •     2.2.3 池化层
  •     2.2.4 激活函数
  •     2.2.5 全连接层
  •     2.2.6 卷积神经网络的工作主要流程
  •   2.3 卷积神经网络模型可视化
  •     2.3.1 特征可视化模型的起源
  •     2.3.2 基于类别激活映射的可视化方法
  •     2.3.3 基于梯度加权类激活映射的可视化方法
  •   2.4 本章小结
  • 第3章 血管网络分类模型的设计与构建
  •   3.1 构建血管网络的数据集
  •     3.1.1 鸡胚胎血管网络原始数据
  •     3.1.2 血管网络数据集预处理的方法
  •     3.1.3 数据集增强的方法
  •     3.1.4 训练集与测试集选取的方法
  •   3.2 卷积神经网络模型的构建
  •     3.2.1 LeNet模型的训练方法
  •     3.2.2 AlexNet.模型的训练方法
  •     3.2.3 卷积神经网络训练结果分析
  •   3.3 本章小结
  • 第4章 血管网络的发育模式可视化分析
  •   4.1 基于梯度加权类激活映射的特征可视化
  •     4.1.1 卷积神经网络模型可视化
  •     4.1.2 不同阶段血管网络的可视化分析
  •   4.2 基于彩色边框标注的血管网络生长发育模式分析
  •   4.3 本章小结
  • 第5章 结束语
  •   5.1 本文完成的主要工作及主要结果
  •   5.2 需要进一步研究的问题
  • 参考文献
  • 致谢
  • 攻读学位期间参加的科研项目和成果
  • 文章来源

    类型: 硕士论文

    作者: 赵沈佳

    导师: 方路平

    关键词: 血管网络,深度学习,卷积神经网络,可视化

    来源: 浙江工业大学

    年度: 2019

    分类: 基础科学,医药卫生科技,信息科技

    专业: 生物学,生物医学工程,计算机软件及计算机应用,自动化技术

    单位: 浙江工业大学

    分类号: TP391.41;TP183;R318

    总页数: 59

    文件大小: 3061K

    下载量: 40

    相关论文文献

    • [1].3D打印机创建血管网络[J]. 基础医学与临床 2017(10)
    • [2].手指静脉红外图像血管网络修复新方法[J]. 红外与激光工程 2019(04)
    • [3].科学家开发新技术可预测血栓形成[J]. 上海医药 2016(12)
    • [4].基于可解释卷积神经网络的胚胎血管新生时间模式研究[J]. 中国生物医学工程学报 2020(05)
    • [5].微血管网络的三维生物打印[J]. 医用生物力学 2019(S1)
    • [6].让你的心跳慢一些[J]. 家庭医学 2011(09)
    • [7].血管网络定量分析研究进展[J]. 生命科学 2013(08)
    • [8].手指静脉图像分形特征提取方法[J]. 中国民航大学学报 2019(02)
    • [9].一只蟑螂被斩首后还能存活多久?[J]. 百科知识 2017(20)
    • [10].视网膜血管直径交互式测量方法[J]. 福州大学学报(自然科学版) 2018(03)
    • [11].海藻糖对大鼠肾脏冻融法脱细胞效果的影响[J]. 北京生物医学工程 2020(03)
    • [12].脂肪细胞形态和排布变化与血管网络走行分布的相关性观察——与血瘀症的可能关系探讨[J]. 辽宁中医杂志 2011(11)
    • [13].手指静脉图像血管网分形修复方法[J]. 信号处理 2019(08)
    • [14].科学家利用干细胞“定制”个性化血管[J]. 生物医学工程与临床 2013(05)
    • [15].病变视网膜图像血管网络的自动分割[J]. 电子学报 2010(05)
    • [16].科学家研制出快速制造血管方法[J]. 功能材料信息 2012(06)
    • [17].治疗中老年人慢性非特异性肠炎的临床观察[J]. 中国伤残医学 2011(04)
    • [18].你的血管里也长“斑”了?[J]. 保健医苑 2018(03)
    • [19].红灯绿灯[J]. 工会博览(下旬刊) 2014(02)
    • [20].人造肝脏将问世[J]. 品牌与标准化 2010(24)

    标签:;  ;  ;  ;  

    基于深度学习的血管网络发育模式研究
    下载Doc文档

    猜你喜欢