文獻綜述范文模板例文「醫學論文」

論文價格:免費 論文用途:文獻綜述 Literature Review 編輯:defu0730 點擊次數:
論文字數:3152 論文編號:sb2021081214324536860 日期:2021-08-15 來源:碩博論文網
文獻綜述范文模板例文哪里有?文獻綜述一般包含以下四部分:摘要、引言、主體和參考文獻本文是一篇醫學論文的文獻綜述,以“喉鏡影像分布與紋理融合的特征提取和 改進的 AlexNet 分類算法研究”為例,為大家講述文獻綜述的寫作要點,希望能夠幫助到你。
醫學論文文獻綜述
醫學論文文獻綜述
一、論文文獻綜述范文模板
1、前言
簡要說明寫作的目的、意義、有關概念的定義,綜述的范圍,描述課題的研究現狀,以及有關主題爭論的焦點和發展趨勢等。
2、正文
文獻綜述的重點。通過理論發展階段性成果、理論意義、實踐意義、成熟可靠新近的權威可信等,比較不同學者對同一問題的看法及其理論依據,闡明問題的來龍去脈和作者自己的見解。
3、總結與展望
對正文各種觀點進行綜合評價,高度概括主題內容,提出自己的觀點意見主張展望發展前景。簡明扼要地指出目前研究中尚需解決的問題及研究成果的意義和價值,在寫作中應注意給出一個較為明確的階段性結論。
4、參考文獻
一般參考文獻的多少可體現作者閱讀文獻的廣度和深度。一般不低于20條,以最近3-5年內的最新文獻為主。
二、論文摘要
疾病的分類預測一直是醫療領域備受關注的問題。對于喉鏡內窺鏡醫療影像數據,專業醫師通過觀察喉鏡影像和藥物治療等方式確診咽喉反流疾病。這無疑是任務量龐大且要求嚴格的工作,計算機輔助專業醫師對疾病預測意義重大,尤其是喉鏡影像數據的計算機輔助治療研究少之又少,本文基于吉林省某醫院耳鼻喉頭頸外科喉鏡影像數據,從改進特征提取方法和改進 AlexNet 卷積神經網絡兩方面對喉鏡影像數據進行分類研究。
第一部分從圖像的分布和紋理兩個角度研究了喉鏡影像的特征提取。通過局部二項式特征提取方法提取圖像紋理特征,通過灰度直方圖方法提取圖像分布特征,通過差異性比較的方法進行特征融合后比較了與五種傳統分類算法的結合性能。結果表明該分布與紋理融合的特征同隨機森林判別算法結合對喉鏡影像分類準確率最高,達到96.61%,并且該算法對樣本數量要求不高。
第二部分構建了對喉鏡影像數據分類的卷積神經網絡算法。修改了 AlexNet 的淺層特征和深層特征結構,避免原始網絡對喉鏡影像細微差異的忽略,也盡可能的放大了差異性信息。使用該算法對喉鏡影像進行分類預測的結果較好,準確率為 99.83%,比未改進的 AlexNet 卷積神經網絡對喉鏡影像分類的準確度提升了 27.65%,并且該算法可適應大樣本數據。
三、國內外研究評述
人工神經網絡中所有神經網絡都通過其神經元的傳遞函數,學習規則和連接公式來描述。McCulloch 和 Pitts[12]于 1943 年開創了神經網絡模型的理論基礎,也就是現在的 M-P 模型。為了利用神經網絡進行識別和分類,Rosenblatt(1958)[13]在 M-P 模型的基礎上創建了可以完成一些簡單的視覺處理任務的感知器模型,并且實現了對輸入圖像的二分類。Hopfield(1982)[14]將李雅普諾夫函數引入到神經網絡模型中,提出了離散的神經網絡。為了解決輸出是[0,1]之間連續值問題 Hopfield(1984)[15]又提出了連續的神經網絡。Hinton 和 Sejnowsky [16]于 1984 年提出神經網絡可以進行多層網絡學習,這就是著名的玻爾茲曼機模型。在此基礎上,Hopfield 和 Tank(1985)[17]利用 Hopfield 神經網絡求解出了經銷商在旅途中訪問每座城市并回到初始城市的最短回路,解決了組合優化問題。Rumelhart 等人(1986)[18]提出了多層神經網絡權值修正的反向傳播學習算法——BP 算法。Chua 和 Yang [19]于 1988 年提出了隱式地從訓練數據中進行學習的方法,并將該方法命名為細胞神經網絡模型,該模型避免了顯示的特征抽取。Yao(1993)[20]提出了進化人工神經網絡,對網絡中的連接權重進行了區分,架構和學習規則的演變。但對學習規則演變的研究仍比較朦朧,不同層次的進化之間的相互作用并沒有給出。在上述神經網絡的基礎上,廖曉昕(1994)[21-22]基于三個一般的神經網絡,對神經網絡的全部激活函數進行了擴展,給出了三個更具有一般性的神經網絡模型。Hill 等人(1994)[23]通過實證研究發現人工神經網絡的表現與統計模型一樣,甚至更好,但是缺少理論證明。Tu 等人(1996)[24]比較了使用人工神經網絡與邏輯回歸預測二分類醫學結果的優缺點,通過實證研究得出結論:當主要目標是對結果進行預測并且數據集中存在重要的相互作用或復雜的非線性關系時,神經網絡效果最好。
四、論文結論
本文基于喉鏡影像數據,從改進特征提取方法和改進 AlexNet 卷積神經網絡兩方面對喉鏡影像數據進行分類研究。
本文第一部分對喉鏡影像數據做了預處理工作,首先對喉鏡影像進行批量裁剪統一數據格式;接下來通過灰度歸一化對圖像進行了灰度轉換,減少了圖像的通道數量,這樣可以縮減后面特征提取的計算量;然后通過中值濾波去噪對圖像進行了噪聲檢測,去除了圖像噪聲點;考慮到中值濾波去噪會損失部分圖像信息,于是又在預處理過程中增加了直方圖均衡化處理方法,放大圖像的亮度信息差異,為后面對喉鏡影像進行特征提取和分類奠定了一定基礎。
第二部分從圖像的分布和紋理兩個角度研究了喉鏡影像的特征提取。通過局部二項式特征提取方法提取圖像紋理特征,通過灰度直方圖方法提取圖像分布特征,通過差異性比較的方法進行特征融合后比較了與五種傳統分類算法的結合性能。結合傳統分類器對前人的特征提取方法同本文特征提取方法比較,結果表明五類傳統分類器對分布與紋理融合特征分類準確度都要高于對其它特征分類的準確度,其中分布與紋理融合特征同隨機森林算法結合對喉鏡影像分類準確率最高,達到 99.61%。但是假陰性率較高。
第三部分在喉鏡影像數據下對 AlexNet 卷積神經網絡分類算法進行了改進研究。首先通過原始的 AlexNet 卷積神經網絡對喉鏡影像進行了分類測試,準確率為 71.1%,并且存在過度擬合現象。這是由于 AlexNet 對圖像的細微差異識別并不敏感以及數據分布不均勻。本文對 AlexNet 卷積神經網絡淺層特征和深層特征進行優化,縮小了部分卷積層池化窗口,對卷積核大小進行了改造,避免了 AlexNet 對喉鏡影像細微差異的忽略。使用該算法對喉鏡影像進行分類預測的準確率為 99.83%,比 AlexNet 對喉鏡影像分類的準確度提升了 28.73%。
本文的研究仍可繼續深入,給出如下三點展望:
(1)由于數據源經專業醫師分類時只有二分類標簽,故文章只對喉鏡影像進行了簡單的二分類,可以和醫院專業醫師進一步合作,將疾病類別標簽劃分的更細致,對喉鏡影像進行多分類;
(2)可考慮在分類預測后增加基于圖像像素特征的分割方法等對喉鏡影像進行細致的分割,分割出病灶區域對輔助醫師診斷治療會有更大的幫助。
(3)深度學習方法基于大樣本數據,在對喉鏡影像的分類預測研究中,原始數據樣本量為 6888,并且正負樣本比例不均,正性樣本較少,占全部樣本量的 30%,因此在研究中使用了樣本擴增方法,如果能夠擴大樣本量并且使正負樣本的數量分布更加均勻那么研究結果可能會更具說服力。
五、參考文獻
[l] Kalpathy-Cramer J,Hersh W. Effectiveness of glob al features for automatic medicalimage classi fication and retrieval—the experiences of ohsu at imageclefmed[J]. Patternreco gnition letters,2008,29(15): 2032-2038.
[2]Rajendran P, Madheswaran M. Hybrid med cal image classification using associationrule mining with decision tree algorithm[J]. Computer Sci ence,2010,3(10):1173-1178.
[3] Cheng E,Xie N,Ling H et al. Mammographic image cl assifcation using hi stogramintersection[C]//2010 IEEE International Symp osium on Biomedical Imaging: FromNano to Macro.IEEE,2010: 197-200.
[4]Abdullah N,Ngah U K,Azz S A Image classifi cation of brain MRI using supportvector machine[C]I/2011 IEEEInt ernational Conference on Imaging Systems andTechniques.IEEE,2011:242-247.
[5] Kharrat A,Gasmi K,Messaoud M B, et al. Medical image classification using anoptimal feature extraction algorithm and a supervised classifier technique[J].International Journal of So ftwar e Science and Computational Intelligence,2011,3(2);19-33.
[6] Rajaei A, Rangarajan L. Wavelet features extraction for medical image classification[J].An International Journal of Engineering Sciences,2011,4:131-141.
[7]Ramteke R J,Monali K Y.Automati c medical image cl assification and abnormalitydetection using k-nearest neighbour[J]. International Journal of Advanced ComputerResearch,2012,2(4): 190-196.
[8]楊芳,木拉提·哈米提,嚴傳波,阿布都艾尼·庫吐魯克,孫靜、姚娟.基于SVM 的新疆哈薩克族食管癌醫學圖像特征提取及分類研究[J]﹒科技通報,2016,32(O3);53-57.
[9] Liu D, Wang S, Huang D, et al. Medical image classification using spatial adjacenthistogram based on adaptive local binary patterns[J]. Computers in biology andmedicine,2016,72(1): 185-200.
[10]Fang L, Liu Z, Song w. Deep hashing neural networks for hyperspectral image featureextr action[J].IEEE Geoscience and Remote Sensing Letters,2019,16(9): 1412-1416.
[11]Chen X, Li J,Zhang Y et al . Automati c feature extraction in X-ray image based on deeplearning approach for determination of bone age[J]. Future Generation Computer
文獻綜述模板
文獻綜述模板
以上是醫學論文的文獻綜述范文模板,可以參考完成自己的論文文獻綜述,如果你想了解論文寫作的其他內容,可以在本網站查閱相關信息,如果你需要論文指導,可以在線咨詢。

国色天香精品一卡二卡三卡