简介:摘要目的结合图像自动分割技术和机器学习方法对乳腺钼靶X线图像进行准确分类识别。方法以数字钼靶X线图像数据库(DDSM)中的BI-RADS4类的簇状分布多形性钙化钼靶图像为研究对象,自动切分图像的感兴趣区域(ROI)。对小波变换、Gabor滤波和灰度共生矩阵法所提取的特征参数进行融合,并基于灵敏度分析对融合后的特征参数进行筛选。使用基于集成学习的方法,对多项式核支持向量机(SVM)、随机森林和逻辑(logistic)回归分类器进行投票集成,构成用于乳腺钼靶X线图像自动分类的分类器。投票集成方法为软投票。结果提出的集成分类器可高效地识别与分类乳腺钼靶X线图像,其分类的灵敏度、特异度和准确率分别为99.1%、99.6%和99.3%。结论所提出的乳腺钼靶X线图像处理与分类识别方法能为医生的临床判断提供辅助检测的依据,并为细分BI-RADS4类图像提供技术基础。
简介:摘要目的应用深度学习进行病毒电镜图像的分类,通过多种模型性能的比较,提供适用于病毒电镜图像分类的网络模型,提供病毒电镜图像识别的辅助与支持,减少研究人员的劳动强度和分析时间。方法通过加深网络深度、调整学习率和批量大小等参数,使用AlexNet、VGG、ResNet、DenseNet、SqueezeNet、MobileNet、ShuffleNet多种经典的卷积神经网络对七种病毒电镜图像进行分类。结果DenseNet169以91.9%的准确率、90.1%的敏感度和98.6%的特异度取得了模型最佳性能。其中,模型对细小病毒的识别效果最好,乳头瘤病毒、疱疹病毒、痘病毒和轮状病毒的精确率、敏感度、特异度和F1值均在90%以上,甚至接近100%。同时,轻量级网络ShuffleNet的性能以更少的参数量和浮点次数超越了深度网络AlexNet和VGG,并能够以比ResNet少约15倍的参数量和90余倍的浮点运算次数取得与之相当的结果;与DenseNet相比,孙世丁通过牺牲可接受范围内的识别性能换取了比其少约10倍的参数量和80余倍的浮点运算次数。结论深度网络DenseNet169能够以最佳性能实现病毒电镜图像的自动识别,轻量网络ShuffleNet_v2_x0_5能够以更少的参数量和浮点运算次数实现次优性能,在实际应用中可结合具体情况在深度网络和轻量级网络之间进行取舍。
简介:摘要要想快速的对一些复杂背景图像的局部轮廓进行识别,就需要对这些复杂背景图像进行分解并且提取一些多尺度的细节特征,再将图像的原图和经过操作后的图像进行对比。在传统的方法中,一般都是利用相与操作算子对这些复杂的背景进行处理,再把图像中的干扰信号除掉,使用这种方法有一个缺点就是会忽略图像的一些细节,识别的效率也很低。研究人员根据实际的情况,提出了一种基于Tophat算法的复杂背景图像局部轮廓信息人工智能识别的方法。这种智能识别的方法能够利用对偶树复小波的变换的优良特性对复杂背景图像进行分解,在提出多尺度的细节特征。在对这些已经提出来的特征进行腐蚀和开闭运算。这种方法真正的实现了对复杂背景图像局部轮廓信息的识别,也为以后发展图像识别技术奠定了一个良好的基础。
简介:摘要要想快速的对一些复杂背景图像的局部轮廓进行识别,就需要对这些复杂背景图像进行分解并且提取一些多尺度的细节特征,再将图像的原图和经过操作后的图像进行对比。在传统的方法中,一般都是利用相与操作算子对这些复杂的背景进行处理,再把图像中的干扰信号除掉,使用这种方法有一个缺点就是会忽略图像的一些细节,识别的效率也很低。研究人员根据实际的情况,提出了一种基于Tophat算法的复杂背景图像局部轮廓信息人工智能识别的方法。这种智能识别的方法能够利用对偶树复小波的变换的优良特性对复杂背景图像进行分解,在提出多尺度的细节特征。在对这些已经提出来的特征进行腐蚀和开闭运算。这种方法真正的实现了对复杂背景图像局部轮廓信息的识别,也为以后发展图像识别技术奠定了一个良好的基础。