基于Faster R-CNN的乳腺肿块辅助检测
乳腺钼靶X线图像与多数医学图像相比,肿块边沿模糊、特征区域过小、良性肿块与恶性肿块构成相似.为了解决传统计算机辅助检测乳腺肿块技术效果差的问题,对基于深度学习的乳腺肿块检测模型进行了研究,分析了R-CNN、SPPNet、Fast R-CNN、Faster R-CNN算法的原理.收集并增强了相关数据集.在Ubuntu系统下采用Tensorflow实现了四种算法.对比R-CNN系列算法的检测精度与单张图像检测耗时,验证了Faster R-CNN乳腺肿块算法的检测能力.研究结果表明,Faster R-CNN算法正确率为82.2％且单张图像检测耗时为57ms,具有良好的泛化能力与鲁棒性,适用于医学中有关乳腺肿块的检测任务.
tensorflow、卷积神经网络、深度学习、乳腺肿块、物体检测
15
TP18(自动化基础理论)
南京大学金陵学院重点课题项目0010521806;江苏省大学生创新项目201813646010Y;教育部产学合作协同育人项目201802003026
2019-07-18（万方平台首次上网日期，不代表论文的发表时间）
共4页
217-220
