基于迁移学习的多视图卷积神经网络在乳腺超声自动分类中的应用

最新推荐文章于 2024-09-07 22:26:58 发布
最新推荐文章于 2024-09-07 22:26:58 发布
阅读量1.1k 收藏 9
点赞数 1
分类专栏： 论文精读-乳腺超声分类
该研究提出了一种使用多视图卷积神经网络（CNN）和迁移学习的乳腺癌自动分类方法，应用于自动乳腺超声（ABUS）。通过对横断面和冠状面的图像进行特征提取，提高了对乳腺癌的分类性能，与传统机器学习方法相比，AUC值提高了10%以上。在观察者性能测试中，该方法有助于提高放射科医生的诊断准确性。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

BREAST CANCER CLASSIFICATION IN AUTOMATED BREAST ULTRASOUND USING MULTIVIEW CONVOLUTIONAL NEURAL NETWORK WITH TRANSFER LEARNING

YI WANG,*,1EUN JUNG CHOI,y,1YOUNHEE CHOI,* HAO ZHANG,* GONG YONG JIN,yand SEOK-BUM KO*TAGGEDEND
* Department of Electrical and Computer Engineering, University of Saskatchewan, Saskatoon, Canada; andyDepartment of
Radiology, Research Institute of Clinical Medicine of Jeonbuk National University?Biomedical Research Institute of Jeonbuk
National University Hospital, Jeonbuk National University Medical School, Jeonju City, Jeollabuk-Do, South Korea
(Received 11 July 2019; revised 12 December 2019; in final from 2 January 2020)

 https://doi.org/10.1016/j.ultrasmedbio.2020.01.001

目录

基于迁移学习的多视图卷积神经网络在乳腺超声自动分类中的应用

 摘要:

介绍：

方法：

临床数据集

基于CNN的病灶特征提取与分类

 多视图CNN

 网络训练与评估

结果:

多视图CNN的分类性能

与传统机器学习特征提取器的比较

 观察者性能测试

 讨论

多视图CNN分析

与以往工作比较

了解本专栏 订阅专栏 解锁全文 超级会员免费看
用于 3D 形状识别的多视图卷积神经网络
m0_75176907的博客
07-28 302
用于 3D 形状识别的多视图卷积神经网络
使用深度卷积神经网络和颜色转换的迁移学习在超声乳腺肿块分类中的应用
自在独行的博客
01-05 1027
Breast mass classification in sonography with transfer learning using a deep convolutional neural network and color conversion Purpose:我们提出了一种基于深度学习的超声乳腺肿块分类方法，并将其与四位经验丰富，采用乳腺影像学报告和数据系统第四版词典和评估方案的放射科医生的评估进行比较。 Methods:基于一组882张乳腺肿块超声图像，采用多种迁移学习技术开发分类器。此..
AAAI2020多视图学习模型MvNNcor对多标签任务迁移
屏幕里的日与夜
07-13 544
AAAI2020多视图学习模型MvNNcor对多标签任务迁移的一些思路想法
多视图图神经网络
weixin_44370695的博客
07-16 721
一种多视图图神经网络方法
BIRADS_classifier:多视图深度卷积神经网络进行高分辨率乳腺癌筛查
05-09
多视图深度卷积神经网络进行高分辨率乳腺癌筛查 介绍 这是用于分类的模型的实现，如我们的论文。 该实现使用户可以通过将我们的预训练CNN模型应用于具有四个视图的标准筛查乳房X线检查中来获得BI-RADS预测。 作为此存储库的一部分，我们提供了一个示例考试（在images目录中）。 该模型在TensorFlow和PyTorch中均实现。 先决条件 巨蟒（3.6） TensorFlow（1.5.0）或PyTorch（0.4.0） NumPy（1.14.3） 科学（1.0.0） 枕头（5.1.0） 数据 要使用预训练模型，输入必须包含四张图像，每个视图一个（L-CC，L-MLO，R-CC，R-MLO）。 每个图像的大小必须为2600x2000像素。 提供的样本检查中的图像已经被裁剪为正确的尺寸。 如何运行代码 可用选项位于文件birads_prediction_tf.py或birads_p
推荐项目：3D形状识别的多视图卷积神经网络（MVCNN）
gitblog_00025的博客
06-24 484
推荐项目：3D形状识别的多视图卷积神经网络（MVCNN） 去发现同类优质开源项目:https://gitcode.com/ 在这个数字化时代，3D形状识别正逐渐成为计算机视觉领域的一大焦点，而Multi-View CNN (MVCNN) 则是这一领域的创新之作。我们很高兴向您推介一个基于TensorFlow实现的简单MVCNN项目，用于3D形状的识别。这个开源项目由Su等人提出，并在原论文中详细阐...
如何将卷积神经网络（CNN）应用于医学图像分析：从分类到分割和检测的实用指南
loveting99的博客
09-07 1776
U-Net：U-Net是一种用于生物医学图像分割的卷积网络。它的关键特点是具有对称的编码器-解码器结构和跳跃连接（skip connections），可以更好地保留和利用图像的空间信息。DeepLab：DeepLab使用空洞卷积（dilated convolutions）来扩展卷积核的感受野，同时保持图像的分辨率，并结合条件随机场（CRFs）进一步精细化分割结果。：YOLO通过将图像划分为网格，并在每个网格中预测边界框和类别，具有实时检测的优势。
5.14.10 使用 Swin Transformers 集合对组织病理学图像中的乳腺癌进行多类分类
qq_47896523的博客
05-21 1166
乳腺癌 的非侵入性诊断程序涉及体检和成像技术，例如乳房 X 光检查、超声检查和磁共振成像 [3,4]。然而，体外检查可能无法及早发现它，并且影像学检查对于更全面地评估癌变区域和识别癌症亚型的敏感性较低[5,6]。通过乳腺活检进行的组织病理学成像，即使是微创的，也可以准确识别癌症亚型并精确定位病变[7]。CNN 表现出固有的归纳偏差，并且会随着图像中感兴趣对象的平移、旋转和位置而变化。因此，在训练 CNN 模型时通常会应用图像增强，尽管数据增强可能无法在训练集中提供预期的变化。
5.25.10 基于 Yolo 的乳房 X 光检查乳腺癌检测模型
qq_47896523的博客
05-30 1453
旨在实现一种自动化数据驱动的乳房 X 线照片乳腺癌检测模型，以支持医生在乳腺癌筛查或检测计划中的决策过程。公开的 CBIS-DDSM 和 INbreast 数据集被用作在全视野数字乳房 X 线照片专有数据集上实现迁移学习技术的来源。专有数据集反映了一个真实的异构案例研究，包括 190 个肿块、46 个不对称和 71 个扭曲。比较了几种 Yolo 架构，包括 YoloV3、YoloV5 和 YoloV5-Transformer。
基于卷积神经网络的多类别乳腺癌分类(IEEE会议)
自在独行的博客
04-25 1866
Multiclass Breast Cancer Classification Using Convolutional Neural Network 摘要:如今，分类系统的质量依赖于数据集的表示，这是一个需要时间来使用深入的知识来产生特定特征的过程。同时，深度学习可以从数据集中提取特征，而无需设计特征提取器。卷积神经网络(CNN)是一种特殊类型的深度学习，在语音识别、图像识别和分类等领域取得了许多成就。在本文中，我们使用CNN对公共BreakHis数据集中的乳腺癌图像进行分类和识别。该数据集包括7909.
matlab画代码-mvcnn:多视图CNN（MVCNN）用于形状识别
05-20
matlab画代码多视图CNN（MVCNN）用于形状识别 该项目的目标是学习用于形状识别的通用描述符。 为此，我们使用卷积神经网络（CNN）训练用于形状识别的判别模型，其中基于视图的形状表示是唯一提示。 示例包括线条画，去除颜色的剪贴画图像或几乎没有纹理信息的3D模型渲染。 如果您使用此项目中的代码的任何部分，请引用： @inproceedings {su15mvcnn，作者= {Hang Su和Subhransu Maji和Evangelos Kalogerakis和Erik G. Learned {-} Miller}，标题= {用于3d形状识别的多视图卷积神经网络}，书名= {Proc。 ICCV}，年份= {2015}} 其他实施 （这些是由朋友提供或在网上找到的实现，为方便起见，在此处列出。我不对它们提供直接支持。） PyTorch（来自我的UMass实验室@jongchyisu）： Caffe（来自我的UMass实验室@brotherhuang）：检出文件夹 Tensorflow（来自@ WeiTang114）： 火炬（来自@ eriche2016）： PyTorch（来自
使用多视角图卷积网络预测不规则区域的全市人群流量
zuiyishihefang的博客
09-16 1530
1、文章信息《Predicting Citywide Crowd Flows in Irregular Regions Using Multi-View Graph Convolutio...
NeurIPS 2020 | MVGNN+：基于多视图图神经网络的分子性质预测
justBeHerHero
10-24 2160
NeurIPS 2020 | MVGNN+：基于多视图图神经网络的分子性质预测 原文标题：Multi-View Graph Neural Networks for Molecular Property Prediction
多视图分类）View-GCN：View-based Graph Convolutional Network for 3D Shape Analysis
qq_41178930的博客
07-14 4161
（点云补全任务）View-GCN：View-based Graph Convolutional Network for 3D Shape Analysis简介论文abstract 简介 2020-CVPR 版权： 论文 abstract
【论文阅读】Classification of breast cancer histology images using transfer learning
weixin_33827731的博客
05-14 1218
Classification of breast cancer histology images using transfer learning 一、数据集： BACH 2018 grand challenge （ICIAR 2018 Grand Challenge on BreAst Cancer Histology images） https://iciar2018-chal...
Detecting Breast Cancer Using Convolutional Neural Netw
AI天才研究院
09-20 1845
作者：禅与计算机程序设计艺术 1.简介 Breast cancer is a type of cancer that develops in the lining of the male breast. It mainly affects women and usually manifests as a
基于典型相关分析的多视图学习方法综述
weixin_70923796的博客
07-24 565
摘要多视图学习是将不同来源的特征子集加以融合的策略。典型相关分析是多视图学习中的重要方法，旨在最大化不同视图之间的相关性。传统的典型相关分析仅能计算两个视图之间的线性相关性，无法应用于包含多个视图或包含非线性相关性的数据集。此外，如果将典型相关分析应用于有监督任务，其作为一种无监督方法将导致标签信息的浪费。针对上述问题，提出大量非线性的、针对多个视图的、有监督的基于典型相关分析的多视图学习方法。首先，概述经典的基于典型相关分析的多视图方法；然后介绍这些方法在模式识别、跨模态检索和分类，以及多视图嵌入中的典型
(多视图分类）EMVN：Equivariant Multi-View Network
qq_41178930的博客
08-05 2647
(多视图分类）EMVN：Equivariant Multi-View Network简介论文abstractintroduction 简介 2020-ICCV 版权： 论文 abstract 一些流行的3D视觉任务的方法是用在自然图像上预训练的深度神经网络来独立处理输入的多个视图，通过对所有视图进行单轮池化操作来实现视图的不变性。我们认为，这种操作丢弃了重要的信息，导致了不合格的全局描述符。在本文中，我们提出了一种多视图聚合的组卷积方法，其中卷积是在旋转组的一个离散子组上进行的，因此能够以等值（而不是不变
多视图特征 体现分类
最新发布
03-31
为了有效提取这些多视图特征，通常会采用深度学习框架下的卷积神经网络（CNN）。以下是一个简单的多视图CNN架构设计示例： ```python import tensorflow as tf from tensorflow.keras import layers, models def ...
评论 4
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值