本文選題：醫(yī)學(xué)圖像分類(lèi) + 卷積受限玻爾茲曼機(jī)��； 參考：《計(jì)算機(jī)工程與科學(xué)》2017年02期

【摘要】：利用數(shù)據(jù)挖掘方法對(duì)醫(yī)學(xué)圖像做分析是目前研究的熱點(diǎn)之一,常用的挖掘方法首先需要從醫(yī)學(xué)圖像中提取特征,然后進(jìn)行分類(lèi)分析。目前,應(yīng)用最多的是提取圖像的統(tǒng)計(jì)特征,這種方法對(duì)所提取的特征有很強(qiáng)的依賴(lài)性。采用一種深度學(xué)習(xí)的新方法——卷積受限玻爾茲曼機(jī)模型,并且采用改進(jìn)的快速持續(xù)對(duì)比散度算法對(duì)模型進(jìn)行訓(xùn)練。該方法直接從乳腺X光圖像中自主學(xué)習(xí)特征并利用學(xué)習(xí)到的特征對(duì)圖像進(jìn)行分類(lèi)。實(shí)驗(yàn)結(jié)果顯示,新方法對(duì)醫(yī)學(xué)圖像的分類(lèi)精度相對(duì)于已有方法有明顯的提升。
[Abstract]:It is one of the hotspots to analyze medical images by using data mining methods. The commonly used mining methods first need to extract features from medical images and then classify and analyze them. At present, the most widely used is to extract the statistical features of the image, and this method has a strong dependence on the extracted features. A new method of deep learning, convolution constrained Boltzmann machine model, is adopted, and the improved fast continuous contrast divergence algorithm is used to train the model. The method can directly learn the features from mammography images and classify the images by using the features learned. The experimental results show that the classification accuracy of the new method is significantly higher than that of the existing methods.
【作者單位】： 西北師范大學(xué)計(jì)算機(jī)科學(xué)與工程學(xué)院;
【基金】：國(guó)家自然科學(xué)基金(61163036,61163039) 2012年度甘肅省高�；究蒲袠I(yè)務(wù)費(fèi)專(zhuān)項(xiàng)資金(1201-16) 西北師范大學(xué)第三期知識(shí)與創(chuàng)新工程科研骨干項(xiàng)目(nwnu-kjcxgc-03-67)
【分類(lèi)號(hào)】：R737.9;TP391.41

【參考文獻(xiàn)】

相關(guān)期刊論文 前4條

1 陳娜;蔣蕓;鄒麗;沈建;胡學(xué)偉;李志磊;;基于判別式受限玻爾茲曼機(jī)的醫(yī)學(xué)圖像分類(lèi)法[J];計(jì)算機(jī)科學(xué);2015年05期

2 劉建偉;劉媛;羅雄麟;;玻爾茲曼機(jī)研究進(jìn)展[J];計(jì)算機(jī)研究與發(fā)展;2014年01期

3 謝國(guó)城;蔣蕓;陳娜;;基于超球體多類(lèi)支持向量數(shù)據(jù)描述的醫(yī)學(xué)圖像分類(lèi)新方法[J];計(jì)算機(jī)應(yīng)用;2013年11期

4 余凱;賈磊;陳雨強(qiáng);徐偉;;深度學(xué)習(xí)的昨天、今天和明天[J];計(jì)算機(jī)研究與發(fā)展;2013年09期

【共引文獻(xiàn)】

相關(guān)期刊論文 前10條

1 宋海聲;劉岸果;呂耕耕;;基于深度學(xué)習(xí)的空間變換情景感知模型研究[J];物聯(lián)網(wǎng)技術(shù);2017年03期

2 胡婕;張俊馳;;雙向循環(huán)網(wǎng)絡(luò)中文分詞模型[J];小型微型計(jì)算機(jī)系統(tǒng);2017年03期

3 孟奎;劉夢(mèng)赤;胡婕;;基于字符級(jí)循環(huán)網(wǎng)絡(luò)的查詢(xún)意圖識(shí)別模型[J];計(jì)算機(jī)工程;2017年03期

4 潘書(shū)敏;顏娜;謝瑾奎;;基于用戶(hù)相似度和特征分化的廣告點(diǎn)擊率預(yù)測(cè)研究[J];計(jì)算機(jī)科學(xué);2017年02期

5 馬勝藍(lán);;面部分層過(guò)濾的銀行客戶(hù)識(shí)別系統(tǒng)[J];計(jì)算機(jī)系統(tǒng)應(yīng)用;2017年02期

6 吳國(guó)文;李旭;;基于深度學(xué)習(xí)的人臉識(shí)別算法分析[J];網(wǎng)絡(luò)安全技術(shù)與應(yīng)用;2017年02期

7 張娟;蔣蕓;胡學(xué)偉;肖吉澤;;基于卷積受限玻爾茲曼機(jī)的醫(yī)學(xué)圖像分類(lèi)新方法[J];計(jì)算機(jī)工程與科學(xué);2017年02期

8 王聲柱;李永忠;;基于深度學(xué)習(xí)和半監(jiān)督學(xué)習(xí)的入侵檢測(cè)算法[J];信息技術(shù);2017年01期

9 陶源;王佳飛;杜俊龍;關(guān)添;王健;曾沛英;胡洪義;朱汝妃;;基于卷積神經(jīng)網(wǎng)絡(luò)的細(xì)胞識(shí)別[J];中國(guó)醫(yī)學(xué)物理學(xué)雜志;2017年01期

10 閆志明;唐夏夏;秦旋;張飛;段元美;;教育人工智能(EAI)的內(nèi)涵、關(guān)鍵技術(shù)與應(yīng)用趨勢(shì)——美國(guó)《為人工智能的未來(lái)做好準(zhǔn)備》和《國(guó)家人工智能研發(fā)戰(zhàn)略規(guī)劃》報(bào)告解析[J];遠(yuǎn)程教育雜志;2017年01期

【二級(jí)參考文獻(xiàn)】

相關(guān)期刊論文 前4條

1 謝國(guó)城;蔣蕓;陳娜;;基于超球體多類(lèi)支持向量數(shù)據(jù)描述的醫(yī)學(xué)圖像分類(lèi)新方法[J];計(jì)算機(jī)應(yīng)用;2013年11期

2 楊瑩;吳誠(chéng)煒;胡蘇;;基于受限玻爾茲曼機(jī)的中文文檔分類(lèi)[J];科技創(chuàng)新導(dǎo)報(bào);2012年16期

3 張超;蔣宏傳;;舒怡乳腺診斷儀在乳腺癌診斷中的應(yīng)用[J];中華腫瘤防治雜志;2010年19期

4 徐圖;羅瑜;何大可;;超球體單類(lèi)支持向量機(jī)的SMO訓(xùn)練算法[J];計(jì)算機(jī)科學(xué);2008年06期

【相似文獻(xiàn)】

相關(guān)碩士學(xué)位論文 前10條

1 李娟;基于RBM的小分子活性及選擇性研究[D];蘭州大學(xué);2015年

2 葉睿;基于深度學(xué)習(xí)的人臉檢測(cè)方法研究[D];哈爾濱工業(yè)大學(xué);2015年

3 張衛(wèi)東;深度信念網(wǎng)絡(luò)及其在手寫(xiě)字體識(shí)別中的應(yīng)用[D];成都理工大學(xué);2015年

4 施維劏;門(mén)限玻爾茲曼機(jī)在人臉識(shí)別中的魯棒性研究[D];北京交通大學(xué);2015年

5 萬(wàn)程;自適應(yīng)基數(shù)受限玻爾茲曼機(jī)[D];清華大學(xué);2015年

6 李亦錟;受限的玻爾茲曼機(jī)在背景建模和文本建模中的研究與應(yīng)用[D];中國(guó)科學(xué)技術(shù)大學(xué);2016年

7 張艷霞;基于受限玻爾茲曼機(jī)的深度學(xué)習(xí)模型及其應(yīng)用[D];電子科技大學(xué);2016年

8 朱常寶;基于深度玻爾茲曼機(jī)的特征學(xué)習(xí)算法研究[D];北京化工大學(xué);2016年

9 張怡康;基于受限玻爾茲曼機(jī)的深度學(xué)習(xí)方法研究[D];北京化工大學(xué);2016年

10 董時(shí)靜;全局形狀與局部一致性聯(lián)合建模的顯著性檢測(cè)[D];大連理工大學(xué);2016年

，

本文編號(hào)：2106448