基于联合训练的分类器的乳腺癌图像分类
万方数据知识服务平台
应用市场
我的应用
会员HOT
万方期刊
×

点击收藏,不怕下次找不到~

@万方数据
会员HOT

期刊专题

10.16526/j.cnki.11-4762/tp.2023.05.034

基于联合训练的分类器的乳腺癌图像分类

引用
利用机器学习的乳腺癌组织病理图像诊断节省了大量的人力物力,因此提高乳腺癌组织病理图像识别准确率有很好的现实意义;针对单一分类器和集成学习分类器模型观测域有限容易陷入局部最优的问题,提出一种基于联合训练的分类器模型;通过单一分类器相互影响扩大观测感知域来寻找损失最小的估计点,根据估计点来迭代优化超参数进而联合训练出拟合性能最好的分类器,这样既汲取不同分类器模型的可取之处来增强泛化能力,又加大了模型观测域在可以更快的得到全局最优的同时提升了识别准确率;实验表明,提出的联合训练的分类器能够提升乳腺癌组织病理学图像的分类性能,在不同放大倍数40×、100 ×、200×、400×下图像良恶性分类准确率分别为99.67%、98.08%、99.01%、96.34%.

乳腺癌图像、分类器模型、联合训练、深度学习、机器学习

31

TP391.41(计算技术、计算机技术)

国家自然科学基金;山西省基础研究计划资助项目;山西省基础研究计划资助项目;山西省基础研究计划资助项目;山西省基础研究计划资助项目;山西省回国留学人员科研项目;山西省回国留学人员科研项目

2023-07-07(万方平台首次上网日期,不代表论文的发表时间)

共7页

228-234

相关文献
评论
暂无封面信息
查看本期封面目录

计算机测量与控制

1671-4598

11-4762/TP

31

2023,31(5)

相关作者
相关机构

专业内容知识聚合服务平台

国家重点研发计划“现代服务业共性关键技术研发及应用示范”重点专项“4.8专业内容知识聚合服务技术研发与创新服务示范”

国家重点研发计划资助 课题编号:2019YFB1406304
National Key R&D Program of China Grant No. 2019YFB1406304

©天津万方数据有限公司 津ICP备20003920号-1

信息网络传播视听节目许可证 许可证号:0108284

网络出版服务许可证:(总)网出证(京)字096号

违法和不良信息举报电话:4000115888    举报邮箱:problem@wanfangdata.com.cn

举报专区:https://www.12377.cn/

客服邮箱:op@wanfangdata.com.cn