换一批面向免疫固定电泳分类的输入增强双尺度网络模型
Input-Enhanced Dual-Scale Network for Immunofixation Electrophoresis Image Classification
摘要针对免疫固定电泳图像存在背景起伏、噪声干扰、条带浅淡而易引发漏检、误判的临床难题,构建了一种 DG-DB-IE2FNet模型.模型中重点设计了动态门控双分支残差块与IFE输入增强双尺度分支.前者用于自适应融合互补卷积分支,后者用于抑制背景并突出条带方向信息.将 ELP,G,A,M,K,L泳道的阴阳性判定设定为多标签预测任务,并基于20 000例真实数据开展多种主流模型的对比实验.结果表明,DGDB-IE2FNet模型在测试集上的准确率达99.63%,阴性预测值达99.74%,灵敏度达98.07%,F1分数达98.56%,整体预测性能优于其他对比模型.
更多相关知识
关键词
免疫固定电泳深度学习卷积神经网络双尺度immunofixation electrophoresisdeep learningconvolutional neural networksdual-scale
栏目名称
DOI
10.13438/j.cnki.jdzk.2026.03.007
发布时间
2026-07-03（万方平台首次上网日期，不代表论文的发表时间）
- 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
