基于改进深度残差网络的计算断层扫描图像分类算法

摘要：

基于改进的深度残差网络(ResNet),提出更加适合肺部组织的计算断层扫描(CT)图像模式分类模型.为克服医学图像分析中可用数据集稀少的困难,采用迁移学习方法来减小神经网络模型对数据量大的需求,以减小过拟合.迁移学习的策略是将肺内大量可用的无标签区域作为预训练的数据,使用深度互信息最大化和先验分布匹配的方法进行无监督表征学习.通过对比实验发现,改进的深度ResNet可以得到更高的分类精度,迁移学习算法可以有效地利用肺内无标签区域的数据,从而提升网络模型的分类表现.

关键词：图像处理、卷积神经网络、医学图像分析、计算断层扫描图像、迁移学习

所属期刊栏目：40

分类号：TP301(计算技术、计算机技术)

资助基金：上海市高校特聘教授东方学者岗位计划ES2012XX,ES2014XX

在线出版日期：2020-05-19（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：50-58