跳到主要內容

臺灣博碩士論文加值系統

(44.211.117.197) 您好!臺灣時間:2024/05/21 02:04
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果 :::

詳目顯示

: 
twitterline
研究生:吳怡萱
研究生(外文):Wu- Yi Syuan
論文名稱:肺炎影像資料的維度縮減分析方法
論文名稱(外文):Dimension Reduction methods for pneumonia image data.
指導教授:程毅豪程毅豪引用關係
指導教授(外文):Chen-Yi Hau
學位類別:碩士
校院名稱:國立陽明交通大學
系所名稱:公共衛生研究所
學門:醫藥衛生學門
學類:公共衛生學類
論文種類:學術論文
論文出版年:2021
畢業學年度:109
語文別:中文
論文頁數:35
中文關鍵詞:影像主成分分析核主成分分析等距特徵映射維度縮減
外文關鍵詞:PCAKPCAIsomapdimension reduction
相關次數:
  • 被引用被引用:1
  • 點閱點閱:126
  • 評分評分:
  • 下載下載:13
  • 收藏至我的研究室書目清單書目收藏:0
肺炎是現今導致全球成年人死亡的嚴重疾病之一,常見的肺炎是由病毒或細菌感染所引起,感染肺炎的肺泡在X光當中會呈現白色的影像。本論文的目的為使用維度縮減方法去做肺炎X光的分類,期望能夠將影像使用降維的方法將有無肺炎資料做好的分類。
本論文資料來源為kaggle中由Kermany, Daniel;等人 (2018) “Labeled Optical Coherence Tomography(OCT) and Chest X-Ray Images for Classification” 所得肺部X光影像,X光影像選自廣州市婦女以及兒童醫療中心1至5歲兒童患者,共得在訓練集的資料為5216張影像,測試集資料為624張影像。
在做降維度分析前,先對影像作前處理,在前處理當中使用的方法為U-Net,目的是將影像能夠抓出特徵,強化所需的目標影像。做完影像的前處理後,影像呈現大小為256*256,維度為65536,之後再將影像做降維度的處理。方法中又分為線性降維以及非線性降維。在線性降維方法中,本論文當中使用的是主成分分析另外在非線性降維方法中,本論文中使用的是核主成分分析以及等距特徵映射。在降維過後,使用的分類模型分別為支援向量機,以及 K鄰近演算法,最後以正確率判斷其分類的好壞。
結果得知,在此資料中,運用線性降維以及非線性降維之結果上而言,正確率差距不大,但使用線性降維花費時間較短,因此,使用這份資料而言更適合用於線性降維之方法。
Nowadays, pneumonia is one of the serious disease which cause the deaths in adults globally. This paper use dimension reduction method to process the X-ray image that will help to reduce the images’ dimension so that we only use low dimension data can stand for the original image.
The purpose of this paper is to use dimension reduction method that will help with the classification of x-ray medical images into normal(healthy) or abnormal(sick).
At first,we use U-Net to preprocessing the X-ray lungs image.All of the images will separate into foreground and background. Second, we use three dimension reduction methods to reduce the dimension. Methods divide into two types, linear and non-linear. Linear method is PCA and non-linear method are Kernel PCA and Isomap. We hope that the reducing image can represent as good as the original image. Final, we put the low dimension image into SVM and KNN to valid the accuracy.
At the result, the reducing image represent as good as the original image. But, the linear method costs less time than nonlinear methods.
目錄
致謝………………………………………………………………………………i
中文摘要……………………………………………………...…………………ii
Abstract…...………………………………………………………...…………..iii
目錄……………………………………………………………………………..iv
圖目錄.…………………………………………………………...……………..vi
表目錄…………………………………………………...……………………..vii
第一章 緒論………………………………………………………………...1
1.1 研究背景及目的…………………………………………………….....1
1.2 論文架構……………………………………………………………….3
第二章 文獻探討……………………………………………………..........4
2.1 影像前處理…………………………………………………….............4
2.2 維度縮減方法………………………………………………………….6
2.2.1 主成分分析……………………………………………………...6
2.2.2 核主成分分析…………………………………………………...8
2.2.3 等距特徵映射……………………………………………….…12
2.3 驗證模型……………………………………………………...............18
2.3.1 SVM……………………………………………………..............18
2.3.2 KNN……………………………………………………..............19
第三章 研究資料………………………………………………………….20
第四章 研究方法…………………………………………………….........21
第五章 研究工具………………………………………………………….23
第六章 研究結果…………………………………………………….........24
第七章 結論與建議……………………………………………………….30
參考文獻…………………………………………………………………….…31
附錄一 主成分數據……………………………………………………….…33
附錄二 核主成分數據………………………………….……………………34
附錄三 等距特徵映射數據表…………………………………………...……35

圖目錄
圖1-1 肺部X光影像圖…………………………………………………………………….1
圖1-2 研究流程圖…………………………………………………………………………..3
圖2-1 U-Net 架構…………………………………………………………………………..4
圖2-2 Hela Cells 細胞圖……………………...……………………………………………5
圖2-3 PCA 及KPCA 示意圖…...…………………………………………………….…11
圖2-4 瑞士捲(Swiss Roll)資料分布圖………………………...………………………...13
圖2-5 鄰域圖………………………………………………………………………………14
圖2-6 Isomap residual variance 圖………...………………………..…………………….17
圖2-7 SVM示意圖………………….……………………………..…………..………….18
圖2-8 KNN示意圖………………………………………………………………………..19
圖4-1 肺部X光圖……………………………………………….………………………..21
圖6-1 PCA 中解釋變異長條圖…………………………………………………………..24
圖6-2 PCA 累積可解釋變異80%………………………………………………………...25
圖6-3 PCA 累積可解釋變異 95%………………………………………………………..25
圖6-4 KPCA 解釋變異長條圖………………………………………………………...…26
圖6-5 KPCA 累積可解釋變異80%……………………………………………………....27
圖6-6 KPCA 累積可解釋變異95%………………………………………………………27
圖6-7 Isomap 剩餘方差…………………………………………………………………..28

表目錄
表1-1 衛生福利部108年度國人死因統計表前五名……………………………………..2
表2-1 核函數表……………………………..……………………………………………..11
表2-2 鄰域圖………………………………………………………………………………14
表2-3 改寫自表2-2的鄰域圖…………………………………………………...……….15
表2-4 Dijkstra 演算法過程……………………………………………………………….15
表3-1 肺炎資料總表……………………………………..……………………………..…20
表6-1 正確率彙整表…………..…………………………..………………………………28
表6-2 總花費時間表……………………………..……………………………………..…29
[1]Ronneberger, O., et al. (2015). U-net: Convolutional networks for biomedical image segmentation. International Conference on Medical image computing and computer-assisted intervention, Springer.
[2]Jolliffe, I. T. and J. Cadima (2016). "Principal component analysis: a review and recent developments." Philos Trans A Math Phys Eng Sci 374(2065): 20150202.
[3]Schölkopf, B., et al. (1998). "Nonlinear component analysis as a kernel eigenvalue problem." Neural computation 10(5): 1299-1319.
[4]Balasubramanian, M., et al. (2002). "The isomap algorithm and topological stability." science 295(5552): 7-7.
[5]Rane, N. and S. Birchfield (2007). Isomap tracking with particle filtering. 2007 IEEE International Conference on Image Processing, IEEE.
[6]Ratle, F., et al. (2006). Learning Manifolds in Forensic Data. Artificial Neural Networks – ICANN 2006: 894-903.
[7]Samko, O., et al. (2006). "Selection of the optimal parameter value for the Isomap algorithm." Pattern Recognition Letters 27(9): 968-979.
[8]Souvenir, R. and R. Pless (2005). Isomap and nonparametric models of image deformation. 2005 Seventh IEEE Workshops on Applications of Computer Vision (WACV/MOTION'05)-Volume 1, IEEE.
[9]Tenenbaum, J. B., et al. (2000). "A global geometric framework for nonlinear dimensionality reduction." science 290(5500): 2319-2323.
[10]Yang, B., et al. (2016). "Multi-manifold discriminant Isomap for visualization and classification." Pattern Recognition 55: 215-230.
[11]Suthaharan, S. (2016). Support vector machine. Machine learning models and algorithms for big data classification, Springer: 207-235.
[12]Widodo, A. and B.-S. Yang (2007). "Support vector machine in machine condition monitoring and fault diagnosis." Mechanical systems and signal processing 21(6): 2560-2574.
[13]Zhang, L., et al. (2004). "Wavelet support vector machine." IEEE Transactions on Systems, Man, and Cybernetics, Part B (Cybernetics) 34(1): 34-39.
[14]Guo, G., et al. (2003). KNN model-based approach in classification. OTM Confederated International Conferences" On the Move to Meaningful Internet Systems", Springer.
[15]Kermany, D., et al. (2018). "Labeled optical coherence tomography (OCT) and Chest X-Ray images for classification." Mendeley data 2(2).
連結至畢業學校之論文網頁點我開啟連結
註: 此連結為研究生畢業學校所提供,不一定有電子全文可供下載,若連結有誤,請點選上方之〝勘誤回報〞功能,我們會盡快修正,謝謝!
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top
無相關期刊