阅读文献2017-Thyroid Nodule Classification in Ultrasound Images by Fine-Tuning Deep Convolutional Neura

最新推荐文章于 2024-09-18 20:53:51 发布

jinzi_a

最新推荐文章于 2024-09-18 20:53:51 发布

阅读量667

点赞数

文章标签：计算机视觉机器学习深度学习

本文链接：https://blog.csdn.net/jinzi_a/article/details/107452247

版权

本文介绍了一种使用深度学习方法——微调GoogLeNet模型，对甲状腺结节超声图像进行良恶性分类的方法。通过预处理（如大小调整、去除伪影）和样本增强技术，调整模型以适应甲状腺图像特征。提取的特征通过成本敏感的随机森林分类器进行分类。研究证明，深度学习技术可以提升计算机辅助诊断系统的性能。

摘要由CSDN通过智能技术生成

阅读文献2017-Thyroid Nodule Classification in Ultrasound Images by Fine-Tuning Deep Convolutional Neural Network 笔记

摘要：
1 超声图像经过预处理，以校准其规模和消除伪影。
2 利用领先于特征提取的预处理图像样本，对预先训练好的GoogLeNet模型进行微调。
3 将提取的甲状腺超声图像特征送入代价敏感的随机森林分类器，将图像分为良性和恶性。
流程如下：
在这里插入图片描述

在开放数据库和自己的数据库都做了实验。
开放数据库：Lina Pedraza, Carlos Vargas, Fabián Narváez, OscarDurán, Emma Muñoz, and Eduardo Romero, An open access thyroid ultrasound image database, 2015

图像预处理：
1 首先对图像进行大小调整，使其具有相同的距离尺度，即在图像中每个像素所代表的物理空间。
利用算法（WaqasAhmedandMarkG.Eramian,Automateddetectionofgrayscale bar and distance scale in ultrasound images,