换一批乳腺肿瘤DCE-MRI分割与诊断一体化模型研究
Research on the integrated model of DCE-MRI segmentation and diagnosis of breast tumors
摘要针对现有乳腺肿瘤诊断深度学习模型依赖大量的标注数据,且人工参与量大的问题,提出了一种小样本场景下、参数自优化的乳腺肿瘤动态对比增强磁共振图像(dynamic contrast-enhanced magnetic resonance imaging,DCE-MRI)分割与诊断一体化框架.在分割阶段,通过简单线性迭代聚类(simple linear iterative clustering,SLIC)与灰度共生矩阵(gray level co-occurrence matrix,GLCM)构建多维纹理特征空间,随后通过稀疏子空间聚类(sparse subspace clustering,SSC)与谱聚类实现图像分割,根据CH指标及采用网格搜索自动选取超像素块数和聚类数.在肿瘤诊断阶段,通过构建微调的DenseNet169 模型,完成肿瘤区域识别;对肿瘤区域利用ResNet50 提取特征,结合支持向量机(support vector machine,SVM)完成良恶性诊断.实验结果表明,在自建数据库上,肿瘤区域识别的准确率达到95.59%,肿瘤良恶性诊断的准确率达95.90%.该智能分割与诊断框架通过将无监督分割技术与深度学习有机结合,实现了分割与诊断的一体化流程.
更多相关知识
关键词
智能化DensNet稀疏子空间聚类ResNet小样本乳腺肿瘤intelligentizationDensNetsparse subspace clusteringResNetsmall samplebreast tumors
栏目名称
DOI
10.3969/j.issn.1674-8425(z).2025.10.019
发布时间
2025-11-18（万方平台首次上网日期，不代表论文的发表时间）
基金项目
- 浏览0
- 被引0
- 下载0
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
