醫(yī)學影像是臨床診斷的重要工具,對醫(yī)學影像進行自動分析能夠提高醫(yī)生的工作效率,減少由主觀經(jīng)驗引起的診斷誤差。特征提取是影像自動分析體系中的關鍵環(huán)節(jié),對最后疾病診斷的精度具有重要的影響。然而,現(xiàn)有的方法忽略了特征的判別性信息�，F(xiàn)有特征主要是利用病灶的低級特征,例如紋理、邊緣等信息,雖然能夠對病灶的主要特點進行表示,但是忽略了病灶之間的判別性,降低了識別性能。針對該問題,本文研究了一種基于深度判別性特征（DDC）學習的醫(yī)學影像方法 ,提出了一種新的模型雙路字典編碼卷積神經(jīng)網(wǎng)絡來學習語義描述碼和判別性描述碼。引入圖像區(qū)塊（patch）劃分層,生成大量的局部patch圖像,從而為模型的訓練提供充足的數(shù)據(jù)。引入字典編碼層和分類層,加快特征學習速度,提高識別精度。提出的方法用在乳腺腫瘤識別,實驗結果表明提出的方法在識別效果上優(yōu)于傳統(tǒng)方法。 

【文章來源】：中國實用醫(yī)藥. 2020,15(10)

【文章頁數(shù)】：3 頁

【部分圖文】：

圖1 雙路字典編碼卷積神經(jīng)網(wǎng)絡的結構

本文在自建乳腺超聲數(shù)據(jù)庫上進行算法驗證。本數(shù)據(jù)庫中的圖像采集自186例志愿者,共186幅乳腺超聲圖像；其中良性135例,惡性51列。見圖2。2.2 實驗方法


本文編號：3337087