基于同步深度监督的多尺度肺结节分类 |
| |
引用本文: | 张丽1,3,强彦1,张小龙2,王三虎3. 基于同步深度监督的多尺度肺结节分类[J]. 计算机应用与软件, 2019, 36(9) |
| |
作者姓名: | 张丽1 3 强彦1 张小龙2 王三虎3 |
| |
作者单位: | 太原理工大学计算机科学与技术学院 山西太原030024;吕梁学院计算机科学与技术系 山西吕梁033000;太原理工大学计算机科学与技术学院 山西太原030024;宾夕法尼亚州立大学信息科学与技术学院 宾西法尼亚州尤尼弗西蒂帕克16802;吕梁学院计算机科学与技术系 山西吕梁033000 |
| |
基金项目: | 国家自然科学基金;虚拟现实技术与系统国家重点实验室开放基金;山西省回国留学人员科研项目 |
| |
摘 要: | 针对在肺结节分类中容易产生过拟合的问题,提出一种基于同步深度监督的多尺度肺结节分类方法。解决梯度消失问题,最小化分类错误并实现同一框架中同步训练多尺度肺结节图像,提高肺结节分类精确度。改进经典的AlexNet网络,使其更适合肺结节图像分类;将同步深度监督(SDS)策略纳入到AlexNet架构中,向隐藏层提供集成的同步监督;通过多尺度空间金字塔策略提取多尺度肺结节图像特征。实验结果表明,该方法的准确性达到93.68%,且在准确性、敏感度、特异度、ROC曲线下面积值上均优于其他分类方法。
|
关 键 词: | 同步深度监督 多尺度 卷积神经网络 特征提取 |
CLASSIFICATION OF MULTI-SCALE LUNG NODULES BASED ON SYNCHRONIZED DEEP SUPERVISION |
| |
Abstract: | |
| |
Keywords: | |
本文献已被 万方数据 等数据库收录! |
|