换一批
换一批基于非酒精性脂肪性肝病超声图像的预训练神经网络分类算法
Pre-trained neural network classification algorithm based on ultrasound images of non-alcoholic fatty liver disease
摘要超声检查因其无创性已成为诊断非酒精性脂肪性肝病(NAFLD)的首选方法,计算机辅助诊断技术的引入可以帮助医师减少在NAFLD检测和分类的偏差.为此,本研究提出了一种将结合注意力机制的预训练VGG16网络与Stacking集成学习模型相结合的混合模型,集合了基于自注意力机制的多尺度特征聚合和基于Stacking集成学习模型多分类模型(逻辑回归、随机森林、支持向量机)融合的特性,实现基于肝脏超声图像的正常肝脏、轻度脂肪肝、中度脂肪肝、重度脂肪肝的4分类,准确度为91.34%,略优于传统神经网络算法(≤89.41%).结果显示,相较于预训练VGG16网络,引入自注意力机制使得准确度提高了3.02%,使用Stacking集成学习模型作为分类器进一步将准确度提高到91.34%,超过了逻辑森林回归(89.86%)、支持向量机(90.34%)、随机森林(90.73%)等单一分类器.该方法能有效提升NAFLD超声图像检测的效率和准确性.
更多相关知识
关键词
超声图像非酒精性脂肪性肝病VGG自注意力集成学习Ultrasound imageNon-alcoholic fatty liver diseaseVGGSelf-attentionEnsemble learning
栏目名称
DOI
10.3969/j.issn.1008-6978.2024.08.017
发布时间
2024-09-05
基金项目
山西省基础研究计划(自由探索类)项目（20210302124433）；
山西省高等学校科技创新计划项目（2023L112）
- 浏览16
- 被引0
- 下载9
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
