-
基于深度学习及改进模糊KMeans的寻常型银屑病智能诊断方法
编辑人员丨2024/3/23
为了解决寻常型银屑病在样本分布不平衡的数据中可能会导致的深度学习模型诊断效果下降等问题,通过结合改进模糊KMeans聚类算法对高聚类复杂度数据的处理能力以及Visual Geometry Group 13(VGG13)深度卷积神经网络模型的预测能力,提出一种基于改进模糊KMeans聚类算法的VGG13深度卷积神经网络(VGG13-KMeans)模型,并将其应用于寻常型银屑病的诊断任务中.实验结果表明,相较于VGG13以及ResNet18两种方法,本文方法更适用于对银屑病特征的识别.
...不再出现此类内容
编辑人员丨2024/3/23
-
一种基于深度卷积神经网络的有效识别肝脏超声标准切面的AI模型
编辑人员丨2024/1/20
目的:结合人工智能技术与超声影像,建立一个有效的识别模型以辅助识别肝脏超声标准切面(LUSP)图像.方法:采集左肝胃底纵切面、左肝-腹主动脉纵切面、肝-下腔静脉纵切面、肝胆纵切面、肝肾纵切面、第二肝门水平高位横切面、第一肝门水平中位横切面、肝胰水平低位横切面、第二肝门高位斜横切面、胆肾水平低位斜横切面、第一肝门中位斜横切面、第一肝门门脉长轴切面、第6-7肋间斜纵切面等13个LUSP的超声图像共14 971张,其中11 980张用于构建深度卷积神经网络模型(Deep CNN),2 991张用于模型验证.以3名长期从事肝脏超声检查及诊断的专家判断一致的肝脏超声标准切面图像作为模型识别的金标准.同时对本模型与VGG16模型识别LUSP的效能进行比较.结果:(1)Deep CNN模型在识别不同LUSP的准确率为0.892.(2)本模型与VGG16实验性能相近(P＞0.05),但所识别的切面类型更多.结论:Deep CNN模型能有效地分类不同的LUSP图像,对辅助超声医生识别LUSP和进行肝脏超声诊断具有较高价值.
...不再出现此类内容
编辑人员丨2024/1/20
-
基于改进阈值的VGG网络的新冠肺炎CT图像自动诊断算法
编辑人员丨2023/8/5
肺部CT能够较准确地鉴定新冠肺炎病例,但医生工作量较大,本研究提出一种基于改进阈值的VGG网络的新冠肺炎CT图像自动诊断算法,通过该模型可快速准确地完成新冠肺炎病例的自动识别,为进一步控制其传播提供帮助.通过比较卷积神经网络VGG中的VGG-11、VGG-13、VGG-16,获得准确率较高的新冠肺炎CT图像自动诊断模型VGG-13,并在此基础上通过改进阈值的方式使准确率由86％提高到了89％,进一步提高诊断的准确性.
...不再出现此类内容
编辑人员丨2023/8/5
