目的:為解決傳統(tǒng)機器學(xué)習(xí)在病理圖像診斷方面的性能不足與純粹人工閱片導(dǎo)致的錯診,以及傳統(tǒng)的手動圖形數(shù)據(jù)增強擴充對模型性能提高的未知性等問題,設(shè)計一個用于計算機輔助診斷（Computer-Aided Diagnosis, CAD）的乳腺癌病理圖像自動分類模型。方法:結(jié)合深度學(xué)習(xí)在圖像識別的優(yōu)勢,以殘差網(wǎng)絡(luò)為基礎(chǔ)網(wǎng)絡(luò)框架,使用遷移學(xué)習(xí)技術(shù)方法加快模型的收斂和訓(xùn)練,并使用自動增強（AutoAugment,AA）手段替代傳統(tǒng)的數(shù)據(jù)增強手段,以實現(xiàn)提高模型性能的目的。結(jié)果:使用AA手段增強擴充的數(shù)據(jù)集訓(xùn)練出的模型,相對于未進行數(shù)據(jù)擴充以及進行傳統(tǒng)手動擴充數(shù)據(jù)訓(xùn)練的模型其準確率均提升1個百分點,同時在測試集中的惡性腫瘤樣本中,更是達到98.7%的靈敏度。結(jié)論:使用AA手段能有效提高模型的性能,為數(shù)據(jù)的擴充提供了新的技術(shù)方法,為提高模型識別性能提供了新的技術(shù)手段,同時也為CAD應(yīng)用于實際臨床診斷做了可行性論證。 

【文章來源】：中國計量大學(xué)學(xué)報. 2019,30(03)

【文章頁數(shù)】：8 頁

【文章目錄】：
1 技術(shù)路線
    1.1 殘差網(wǎng)絡(luò)
    1.2 AutoAugment技術(shù)手段
2 實 驗
    2.1 選用的數(shù)據(jù)集
    2.2 實驗結(jié)果及分析
3 結(jié) 論


【參考文獻】：
期刊論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的繪畫圖像分類研究[J]. 肖志鵬,王小華,楊冰,姚金良.  中國計量大學(xué)學(xué)報. 2017(02)
[2]基于深度學(xué)習(xí)和醫(yī)學(xué)圖像的癌癥計算機輔助診斷研究進展[J]. 陳詩慧,劉維湘,秦璟,陳亮亮,賓果,周煜翔,汪天富,黃炳升.  生物醫(yī)學(xué)工程學(xué)雜志. 2017(02)
[3]一種基于上下文的醫(yī)學(xué)圖像ROI分類方法[J]. 郭喬進,李寧,謝俊元.  模式識別與人工智能. 2014(12)



本文編號：3042603