排序方式: 共有4条查询结果,搜索用时 0 毫秒
1
1.
2.
3.
针对医学影像诊断的复杂性和不确定性,首次提出将模糊贝叶斯网络应用于星形细胞瘤恶性程度的诊断,通过采用条件高斯模型对连续输入进行模糊化处理,利用专家知识和数据,并通过机器学习,建立了星形细胞瘤恶性程度分级的概率模型。两个建模实验结果证明了这种方法的有效性,其中融合了低层视觉特征和中层语义的概率模型比仅仅使用低层视觉特征的模型有更高的识别率,使用60个测试样本,可达81.67%的识别率。该模型解决了贝叶斯网络连续输入的问题,为医生尤其是年轻医生提供了一个针对星形细胞瘤分级的较客观的定量诊断参考,为恶性程度预测提供新的辅助手段。 相似文献
4.
基于统计学习的多层医学图像语义建模方法 总被引:1,自引:0,他引:1
提出一种在小样本的情况下,基于多层贝叶斯网络的医学图像语义建模方法.该方法采用支持向量机实现从低层视觉特征到对象语义的映射,使用贝叶斯网络融合对象语义,提取高级语义,从而建立一个多层医学图像语义模型,可支持多层次的医学图像语义自动标注及其检索.将该方法用于星形细胞瘤恶性程度的语义提取,并建立一个多层语义模型.实验表明,该模型与使用K近邻分类器或高斯混合模型取代SVM的语义模型相比,查全率有明显的提高. 相似文献
1