自在独行的博客

Breast Cancer Image Classification via Multi-Network Features and Dual-Network Orthogonal Low-Rank Learning

Automated Breast Ultrasound Lesions Detection Using Convolutional Neural Networks摘要：使用超声成像的乳腺病变检测被认为是计算机辅助诊断系统的重要步骤。在过去的十年里，研究人员已经证明了自动化初始病变检测的可能性。然而，当比较这些算法的性能时，缺乏公共数据集阻碍了研究。本文提出了使用深度学习方法进行乳腺超声病变检测，并研究了三种不同的方法:基于补丁的LeNet、U-Net和具有预处理FCN-AlexNet的迁移学习方法。将它

会议信息：巴西生物医学工程大会（the Brazilian Congress on Biomedical Engineering，CBEB 2018）。 该会议由巴西生物医学工程学会（SBEB）组织，于2018年10月21日至25日在巴西里约热内卢的Armaçãode Buzios举行。A Novel Breast Tumor Classification in Ultrasound Images, Using Deep Convolutional Neural NetworkBashir Ze

Two‑stage CNNs forcomputerized BI‑RADS categorization inbreast ultrasound images1、摘要背景：将单一超声模式下的乳腺成像报告和数据系统(BI-RADS)标准量化为不同类别一直是一个挑战。为实现这一目标，我们提出了一种基于卷积神经网络(CNNs)的两阶段分级系统，从超声图像自动评估乳腺肿瘤为五类。方法：新开发的自动分级系统由肿瘤识别和肿瘤分级两个阶段组成。所构建的肿瘤识别网络称为ROI-CNN，可以从原始的乳腺超声..

Breast Lesion Classification in Ultrasound Images Using Deep Convolutional Neural Network摘要：近年来，卷积神经网络在医学图像分析中得到了广泛的应用。CNN有足够的标记数据，可以训练它学习图像特征，用于目标定位、分类和分割。尽管建立和改进医学图像分析的自动化系统有很多好处，但缺乏可靠和公开的生物医学数据集使这项任务变得困难。在本研究中，我们将研究CNN在超声(US)图像中对乳腺病变分类的有效性。首先，由于训练数据

Multiclass Breast Cancer Classification Using Convolutional Neural Network摘要:如今，分类系统的质量依赖于数据集的表示，这是一个需要时间来使用深入的知识来产生特定特征的过程。同时，深度学习可以从数据集中提取特征，而无需设计特征提取器。卷积神经网络(CNN)是一种特殊类型的深度学习，在语音识别、图像识别和分类等领域取得了许多成就。在本文中，我们使用CNN对公共BreakHis数据集中的乳腺癌图像进行分类和识别。该数据集包括7909.

Breast mass classification in sonography with transfer learning using a deep convolutional neural network and color conversionPurpose:我们提出了一种基于深度学习的超声乳腺肿块分类方法，并将其与四位经验丰富，采用乳腺影像学报告和数据系统第四版词典和评估方案的放射科医生的评估进行比较。Methods:基于一组882张乳腺肿块超声图像，采用多种迁移学习技术开发分类器。此..

BREAST CANCER CLASSIFICATION IN AUTOMATED BREAST ULTRASOUND USING MULTIVIEW CONVOLUTIONAL NEURAL NETWORK WITH TRANSFER LEARNING基于迁移学习的多视图卷积神经网络在乳腺超声自动分类中的应用YI WANG,*,1EUN JUNG CHOI,y,1YOUNHEE CHOI,* HAO ZHANG,* GONG YONG JIN,yand SEOK-BUM KO*TA...