基于深度学习的胃癌诊断的研究与应用.pdfVIP

目录

摘要I

ABSTRACTII

第一章绪论1

1.1课题背景与研究意义1

1.2国内外研究现状2

1.3论文的主要工作5

1.4论文组织架构6

第二章基础理论9

2.1胃癌病理图像结构简介9

2.2深度学习相关理论9

2.3基于深度学习的图像分割和分类方法概述14

2.4注意力机制概述19

2.5多尺度特征融合网络概述21

2.6本章小节22

第三章基于Swin-Transformer的高效胃癌病理图像分割方法23

3.1LocalSwin分割网络23

3.2网络训练25

3.3实验结果分析29

3.4本章小节30

第四章基于注意力的全局-局部融合网络31

4.1GLFUnet分割网络31

4.2网络训练37

4.3实验结果讨论39

4.4Xception胃癌分类模型45

4.5本章小节48

第五章胃癌病理图像辅助诊断系统49

5.1需求分析49

5.2系统相关技术及与运行环境50

5.3系统架构设计50

5.4系统实现51

5.5本章小节54

第六章总结与展望55

6.1本文工作总结55

6.2未来工作展望56

参考文献57

在学期间取得的科研成果63

摘要

胃癌是一种高发病率及高死亡率的恶性肿瘤，仅次于肺癌。病理检查是其

主要诊断方式，但传统方法依赖显微镜，耗时耗力且效率低。随着深度学习技

术发展，卷积神经网络(ConvolutionalNeuralNetworks,CNN)已成为医学图像分

割的有力工具，能自动学习数据特征、适应性强、处理速度快，提高了医学影

像分割的准确性和稳定性。然而，卷积神经网络（CNN）因其结构固有的归纳

偏好，在处理图像时每个卷积核仅覆盖局部区域，这限制了其对全局信息的捕

捉能力。因此，CNN在建模长距离依赖和整体上下文方面存在不足，这可能会

影响其在诊断任务中的精确度。

本研究针对上述提出的问题和相关技术展开深入研究。首先本研究提出

LocalSwin网络模型用于胃癌病理图像分割。LocalSwin网络模型是在Swin-

Transformer模型的降采样模块之前添加邻域特征连接增强（Local）模块，增强

了SwinTransformer模块与降采样模块之间的特征信息，以减少信息丢失。在

公开的BOT胃切片数据集上验证了LocalSwin网络的性能，实验表明，

LocalSwin与其它深度分割模型相比，在分割任务上有更好的效果，在Dice、

Acc上的指标分别达到91.79%和86.27%。

LocalSwin由于其学习长程依赖性的能力主要关注于全局特征的提取，克服

了卷积神经网络在全局视角学习中的缺点。然而并未考虑两者通道和位置之间

的相关性，在捕获细粒度细节方面具有一定的局限性。针对这一问题，本研究

在U-Net架构的基础上提出了一种基于注意力机制的双分支混合网络模型

（GLFUnet），该模型融合CNN和Transformer模块中不同尺度的细粒度和粗粒

度特征。在两个不同癌症类型、密度和目标大小的BOT胃切片和肝癌数据集上

进行大量的实验，实验结果可以看出，GLFUnet模型在Dice、mIoU和Acc的

指标数据分别为93.86%、86.93%和97.56%，这在临床分析和疾病诊断方面具

有极好的潜力。

最后，本研究设计了一套以GLFUnet分割网络和Xception分类网络为核心

算法的胃癌病理图像辅助诊断系统，通过可视化界面，将显示出图像的基本信

息和图像分割的效果供医生进行查看，为医生的诊断提供辅助工作。

关键词深度学习；医学图像分割；GastricCancer；LocalSwin；GLFUnet

ABSTRACT

Gastriccancerisamalignanttumorwithhighmorbidityand