首页 > 文献资料
-
基于卷积神经网络和多信息融合的三维乳腺超声分类方法
乳腺肿瘤超声图像的自动分类对于提高医生的工作效率和降低漏诊率具有十分重要的意义.新型的三维乳腺超声数据包含更多的可用于诊断的信息,但由于超声成像机理导致不同方向上的图像表现不同.针对该种乳腺超声数据,利用卷积神经网络结构的灵活性和自动学习的特性,提出3种改进的卷积神经网络模型,使其分别可以接受横截面图像输入、横截面和冠状面的双图像输入、图像和文本信息同时输入,并研究不同信息的融合对于提升乳腺肿瘤自动分类准确率的影响.在研究中,采用880幅图像(良性401幅,恶性479幅)及其标注信息进行5折交叉验证实验,得到各模型的准确率及AUC.实验结果表明,设计的模型可以适应图片与文本信息的输入,多信息融合的模型比只接受图像输入的模型准确率提升2.91%,达到75.11%的准确率和0.829 4的AUC.这些模型的提出,为多信息融合的卷积神经网络分类应用提供参考.
-
基于梯度方向直方图特征的医学图像分类方法
医学图像分类是医学图像处理中的研究热点,可应用在医疗信息化、辅助诊断和远程医学等方面.采用梯度方向的直方图特征来描述图片的边缘特征,利用支持向量机对多类别的图片进行分类,并比较了几种不同的核函数对分类效果的影响.
-
数据挖掘在医学图像分类中的应用
介绍几种数据挖掘方法的发展历程,分析其在医学图像处理中的应用及其研究现状,包括关联规则、决策树、人工神经网络、支持向量机、粗糙集等,同时阐述数据挖掘在医学图像分类研究领域存在的问题,希望对研究人员有所借鉴.