基于深度学习的椎间孔狭窄自动多分级研究
椎间孔狭窄症的术前定性分级诊断对临床医生治疗策略的制定和患者健康恢复至关重要,但目前该方面临床上仍然存在很多问题,并且缺乏相关的研究和行之有效的方法用于辅助临床医生诊断.因此,为提高计算机辅助椎间孔狭窄症诊断准确率以及医生工作效率,本文提出一种基于深度学习的椎间孔狭窄图像自动分级算法.从人体矢状切脊柱核磁共振图像中提取脊柱椎间孔图像,并做图像预处理;设计一种监督式深度卷积神经网络模型,用于实现脊柱椎间孔图像数据集的自动多分级;利用迁移学习方法,解决深度学习算法在小样本数据集上的过拟合问题.实验结果表明,本文算法在脊柱椎间孔图像数据集上的分类精确度可达到87.5%以上,且其具有良好的鲁棒性和泛化能力.
椎间孔狭窄、自动分级、机器学习、深度学习、特征提取、监督训练、迁移学习、过拟合
14
TP311(计算技术、计算机技术)
国家自然科学基金项目U1201258,61572300;山东省自然科学基金项目ZR2015FM010;山东高等学校科技计划项目J15LN20;山东省医药卫生科技发展计划项目2016WSO577;山东省中医药科技发展计划项目2017-001
2019-07-24(万方平台首次上网日期,不代表论文的发表时间)
共8页
708-715