面向病理分析的图像语义分割模型设计与优化
文献类型：学位论文
| 作者 | 宋佳 |
| 答辩日期 | 2018-05-22 |
| 文献子类 | 硕士 |
| 授予单位 | 中国科学院研究生院 |
| 授予地点 | 北京 |
| 导师 | 张佩珩 |
| 关键词 | 深度学习模型 图像语义分割 U-net Eu-net |
| 学位专业 | 其它专业 |
| 英文摘要 | 基于深度学习的癌症病理图片智能判读对于病理专家的减负增效和癌症病患的早发现早治疗都具有重要意义。本文针对病理图像智能判读中识别准确率和识别速度这两大难题，重点分析和研究了以下三个方面：卷积神经网络分类方法在癌症病理图片识别上的缺点、图像语义分割模型在癌症检测上的应用与改进、Tensorflow平台对癌症识别流程的优化。 本文主要的工作和创新点如下： 1，针对已有的深度学习方法在癌症病理图片智能判读中的精度低与速度慢的不足，本文提出参数更少计算更为高效的图像语义分割模型EU-Net。该模型基于图像语义分割模型U-Net，通过深度感知可分离卷积核在模型中的大量使用，使模型参数减少为原来的1/10，同时为了提高模型准确率，将池化层置换为空洞卷积层。两种卷积的运用大幅提高了癌症病理图片的判读速度。 2，针对已有的癌症病理图片的智能判读流程，在数据输入阶段进行数据读取多线程并行化，并利用队列技术储存预处理好的批数据，大幅提高数据样本的吞吐量；在训练和推导阶段，根据模型小的特点，构建多GPU同步训练算法，大幅提高语义分割模型训练和推导的速度；在后处理阶段，将预测所得结果，按比例缩小合成整图来加快特征提取。使得整个癌症病理图片智能判读流程数据吞吐量最大化，判读速度大幅提高。 3，实现了癌症病理图片智能判读系统，并针对Camelyon Grand Challenge中的乳腺癌数据集进行了深入的测试和分析。测试结果表明，癌症病理智能判读流程相比于改进前速度至少提高了2倍，训练速度由原来U-Net单GPU每秒122.4个样本到现在EU-Net 双GPU每秒504.2个样本，推导速度由原来U-Net单GPU每秒153.1个样本到现在EU-Net 双GPU每秒610.5个样本。单机对乳腺癌整图的识别，最快可以达到3分钟10秒每张图，mIoU评价指标达到0.935，比旧有U-Net提高9%，极大提高了判读速度和准确率。 |
| 学科主题 | 计算机系统结构 |
| 语种 | 中文 |
| 公开日期 | 2018-07-10 |
| 源URL | [http://ictir.ict.ac.cn/handle/311040/2951]  |
| 专题 | 中国科学院计算技术研究所学位论文_2018硕士 |
| 推荐引用方式 GB/T 7714 | 宋佳. 面向病理分析的图像语义分割模型设计与优化[D]. 北京. 中国科学院研究生院. 2018. |
入库方式： OAI收割
来源：计算技术研究所
浏览0
下载0
收藏0
其他版本
除非特别说明，本系统中所有内容都受版权保护，并保留所有权利。