定制的RCNN和混合深度分类器用于肝癌细分和分类

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 计算机视觉 计算机视觉

背景情况:

• 肝病诊断在资源较少的环境中具有挑战性,目前的方法缺乏准确性.
• 现有的肝脏异常检测模型在性能和约束方面存在局限性.

研究的目的:

• 开发一个改进,高效和有效的深度学习系统来检测肝脏疾病.
• 为了解决当前肝病诊断模型的局限性.

主要方法:

• 使用定制面具区域卷积神经网络 (cm-RCNN) 的深肝细分和分类系统.
• 图像预处理与自适应式直方体平衡 (AHE) 用于除和颜色校正.
• 特性提取包括ResNet,形状特征和增强的中间二进制模式.
• 使用SqueezeNet和DeepMaxout模型进行混合分类,平均得分结果.

主要成果:

• 该cm-RCNN架构通过ReLU和修改的Sigmoid激活功能提高了细分精度.
• 从细分图像中提取的特征被用来训练一个强大的混合分类模型.
• 与现有模型相比,该系统在肝病检测方面取得了更高的准确性.

结论:

• 拟议的基于cm-RCNN的系统为诊断肝病提供了更有效的方法.
• 这种深度学习方法在资源有限的环境中有望改善肝脏异常检测.