面向健康診療的大數(shù)據(jù)深度學(xué)習(xí)技術(shù)研究.pdf

1、當(dāng)下醫(yī)療行業(yè)存在巨量的影像數(shù)據(jù)，它們對(duì)疾病診斷與療效評(píng)價(jià)具有重要研究意義。本文將糖尿病患者的視網(wǎng)膜眼底圖作為數(shù)據(jù)集，進(jìn)行深度學(xué)習(xí)算法的應(yīng)用研究。在算法上對(duì)于糖尿病視網(wǎng)膜病變輔助檢測(cè)給予理論依據(jù)和改進(jìn)建議。
　　卷積神經(jīng)網(wǎng)絡(luò)屬于深度學(xué)習(xí)中處理圖像的核心算法，其基本構(gòu)建層次包括卷積、池化和全連接。至今，卷積神經(jīng)網(wǎng)絡(luò)的研究在多個(gè)領(lǐng)域已經(jīng)取得很大進(jìn)步。但是也有幾點(diǎn)待完全解決的問題。其中一點(diǎn)是通過研究表明一些數(shù)據(jù)集(包括視網(wǎng)膜眼底圖)的不同

2、類別數(shù)量占比差異大、不均衡，導(dǎo)致數(shù)量占比小的類別訓(xùn)練效果差的問題。二是糖尿病視網(wǎng)膜病變檢測(cè)對(duì)準(zhǔn)確率要求高，而且規(guī)模比較大、模型參數(shù)多。傳統(tǒng)的深層模型在訓(xùn)練的時(shí)候通過反向傳播算法從后層傳到前層的梯度會(huì)變的幾乎為零，造成梯度消失。三是對(duì)于巨量數(shù)據(jù)集，傳統(tǒng)的訓(xùn)練方式難以適應(yīng)。為了盡可能解決此類問題本文主要做了以下工作：
　　1.為了提高模型的泛化能力以及更好的訓(xùn)練類別不均衡的數(shù)據(jù)集，提出了一種自適應(yīng)的重采樣方法，并且設(shè)計(jì)了一種層次模型提

3、高了模型訓(xùn)練效率。層次模型包括卷積層數(shù)目分別為8、11、13層的AlexNet和VGGNet的改進(jìn)模型。實(shí)驗(yàn)表明通過自適應(yīng)重采樣方法對(duì)數(shù)據(jù)集進(jìn)行動(dòng)態(tài)平衡以及對(duì)模型的優(yōu)化和改進(jìn)，模型分類評(píng)價(jià)指標(biāo)Kappa系數(shù)、分類準(zhǔn)確度以及收斂速度都有很大提高，其中Kappa系數(shù)（模型一致性檢驗(yàn)指標(biāo)）達(dá)到0.80。
　　2.為了提高糖尿病視網(wǎng)膜病變的檢測(cè)能力，提出了一種基于二維圖像的均方特征融合優(yōu)化算法。設(shè)計(jì)了一種基于殘差網(wǎng)絡(luò)（Residual N

4、etwork）的全卷積網(wǎng)絡(luò)結(jié)構(gòu)，相比全連接層能減少參數(shù)，而且在盡量避免梯度消失的情況下構(gòu)建更深的層次。本文對(duì)模型最后的卷積層進(jìn)行特征提取，然后分別對(duì)特征圖進(jìn)行批量二次方疊加融合，最后取其均值作為二次檢測(cè)的輸入數(shù)據(jù)。通過在Kaggle大數(shù)據(jù)平臺(tái)上提供的糖尿病視網(wǎng)膜眼底數(shù)據(jù)集進(jìn)行訓(xùn)練與測(cè)試，Kappa系數(shù)在之前的基礎(chǔ)上再次提高了四個(gè)百分點(diǎn)，分類準(zhǔn)確度提高五個(gè)百分點(diǎn)。
　　3.為了解決大數(shù)據(jù)下的深度學(xué)習(xí)問題，基于大數(shù)據(jù)計(jì)算框架實(shí)現(xiàn)了分布