10.16208/j.issn1000-7024.2017.09.042
基于迁移学习的乳腺结构紊乱异常识别
针对乳腺X图像中结构紊乱识别困难、样本数量较少的问题,提出基于迁移学习的结构紊乱识别方法,把基于Gabor的毛刺模式特征、GLCM特征以及熵特征等新特征运用其中.基于恶性肿块与结构紊乱的相似性,把恶性肿块作为源域中正样本,负样本由结构紊乱检测算法中的伪正样本构成,对正负样本区域提取多种特征,把结构紊乱作为目标域的训练和测试集分别进行特征提取,使用自适应支持向量机(A-SVM)进行分类.实验在乳腺钼靶摄影数字化数据库(DDSM)上进行,实验结果表明,该方法克服了结构紊乱样本数量少的问题,提高了结构紊乱的识别率.
结构紊乱、迁移学习、自适应支持向量机、计算机辅助检测、乳腺癌
38
TP391.4(计算技术、计算机技术)
国家自然科学基金项目61403287、61472293、31201121;中国博士后科学基金项目2014M552039;湖北省自然科学基金项目2014CFB288
2017-10-12(万方平台首次上网日期,不代表论文的发表时间)
共7页
2530-2535,2579