Print

基于循环卷积神经网络的甲状腺恶性结节检测

论文摘要

针对过拟合及甲状腺恶性结节细粒度分类(恶性分为恶性与高度恶化)的问题,提出一种基于循环卷积神经网络的分类方法。将Xception网络与长短时记忆网络(LSTM)作为互不干扰的两部分,分别对甲状腺结节样本进行特征提取得到两个特征矩阵;通过Merge算法融合为单个特征矩阵,将单个特征矩阵导入卷积神经网络(CNN)进行特征提取与池化;采用L2正则化的Softmax函数作为分类器,完成循环卷积神经网络的训练与测试。实验结果表明,甲状腺恶性结节细粒度分类的准确率为87.00%,并有较好的特征提取能力。

论文目录

  • 1 引言
  • 2 方法模型
  •   2.1 图像处理方法
  •   2.2 基于循环卷积神经网络的甲状腺结节检测方法
  •     2.2.1 Xception与LSTM
  •     2.2.2 卷积神经网络融合网络
  •     2.2.3 激活函数优化选择
  •     2.2.4 引入L2正则化优化
  • 3 实验与结果分析
  •   3.1 图像数据采集
  •   3.2 评价指标
  •   3.3 结果分析
  • 4 结论

    • 文章来源

    类型: 期刊论文

    作者: 郑斌,杨晨,马小萍,刘立波

    关键词: 图像处理,神经网络,超声图像,甲状腺,图像分类预测

    来源: 激光与光电子学进展 2019年24期

    年度: 2019

    分类: 信息科技,医药卫生科技

    专业: 肿瘤学,计算机软件及计算机应用,自动化技术

    单位: 宁夏大学信息工程学院,银川市第一人民医院医技科

    基金: 国家自然科学基金（61862050）,赛尔网络下一代互联网技术创新项目（NGII20180709）,西部一流大学科研创新项目（ZKZD2017005）

    分类号: TP183;TP391.41;R736.1

    页码: 102-109

    总页数: 8

    文件大小: 1060K

    下载量: 160

    相关论文文献

    本文来源: https://www.lunwen66.cn/article/cce0ee6f2d4a8d245ee12440.html