乳腺癌已成为女性最常见的恶性肿瘤之一，严重威胁女性生命健康。恶性肿块是乳腺癌变的重要表现形式，对乳腺肿块的良恶性自动识别，辅助医生诊断具有重要研究意义。近日，西北大学智能信息处理实验室、美国佛罗里达医院合作发表了《Breastmassclassi?cationviadeeplyintegratingthecontextualinformationfrommulti-viewdata》论文，深度整合了多视角图像的上下文信息，提高了乳腺肿块的自动化良恶性诊断的准确率，该成果发表在二区SCI期刊PatternRecognition上，影响因子为4.58。
近年来，深度学习算法在计算机视觉和医学图像处理等领域表现出巨大的优势和潜力，然而，传统卷积神经网络（ConvolutionalNeuralNetworks，CNN）往往将肿块诊断过程视为一种基于“黑箱”操作的自学习过程，缺少专家知识，难以将影像中的多视角特征融入学习过程。针对上述问题，论文提出了一种融合多视角信息的乳腺肿块分类算法，称为Mv-DNN。
Mv-CNN算法框架利用了肿块的多视角层次化特征及临床特征进行病灶的综合诊断，克服了传统深度学习难以整合多源特征的缺陷，对比其他流行算法，取得了更好的良恶诊断性能。
首先，通过Fine-tune在大数据集ImageNet上预训练的网络模型InceptionV3，抽取乳腺X线图像的层次化特征。然后，提出了一种基于视觉注意力的肿块特征选择模型，该算法可有效地筛选对肿块诊断有利的单视角CNN图像特征，同时抑制背景噪声。最后，采用LSTM网络对乳腺肿块的多视角特征进行有效融合，实现基于多源特征的肿块良恶性自动化诊断诊断。在公开数据集BCDR上进行实验，本文算法稳定有效，分类AUC值高达89%，分类准确率达到85%左右。
西北大学智能信息处理学术团队在医学图像分析领域具有近二十年的研究基础，在针对各类医学影像的病灶检测、分割、诊断及相关病例分析等方面取得了多项成果。祝愿实验室今后再接再厉，在科研的道路上勇攀高峰。
身心健康，积极进取，全面发展，敬业乐群——是我们的座右铭如果你有同样的梦想
如果你想感受不一样的研究生生活
如果你想提升自己的各种能力欢迎加入西北大学智能信息处理实验室
转载请注明地址:
http://www.dgmoc.com/zcmbzz/100275.html
当前时间：