换一批
换一批基于DenseNet结合迁移学习的胰腺囊性肿瘤分类方法
Classification of Pancreatic Cystic Tumors Based on DenseNet and Transfer Learning
摘要本文采用了 DenseNet 结合迁移学习的分类模型,对胰腺黏液性囊性肿瘤(MCN)和浆液性囊性肿瘤(SCN)进行分类.首先对来自长海医院的 65例MCN和107例SCN数据进行扩增和预处理,其次构建DenseNet结合迁移学习的分类模型并进行微调,实验过程采用五折交叉验证,对MCN和SCN进行识别分类,并将该模型与AlexNet、VGG16、ResNet50 等其他深度学习模型进行对比.结果显示本文的分类模型识别效果最好,在测试集上ROC曲线下面积(AUC值)达到 0.989,准确率为 0.943,召回率为 0.949,精确率为 0.938.由此可见基于DenseNet结合迁移学习的分类模型对MCN和SCN具有较高的识别准确率,优于其他深度学习模型,并具有较强的学习能力,可以辅助医生在临床上的诊断,在一定程度上节省人力物力.该模型对于胰腺囊性肿瘤识别分类的潜在价值和临床意义.
更多相关知识
- 浏览5
- 被引1
- 下载4
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
