检索结果-南通市图书馆

磁共振成像 2024年第1期15卷 55-60页

作者：马明明秦乃姗姜原张耀峰张晓东王霄英北京大学第一医院医学影像科北京100034 北京赛迈特锐医疗科技有限公司北京100011

目的为了实现图像性质的自动甄别,通过深度学习技术和程序构建多参数乳腺MRI图像自动分类模型并验证其效能。材料与方法回顾性收集我院2010年1月至2020年11月乳腺MRI图像质量合格数据862例(数据集Ⅰ),按序列分三类:T2WI、T2WI脂肪抑... 详细信息

目的为了实现图像性质的自动甄别,通过深度学习技术和程序构建多参数乳腺MRI图像自动分类模型并验证其效能。材料与方法回顾性收集我院2010年1月至2020年11月乳腺MRI图像质量合格数据862例(数据集Ⅰ),按序列分三类:T2WI、T2WI脂肪抑制序列(fat-suppressed T2WI, FS T2WI)、表观扩散系数(apparent diffusion coefficient, ADC),训练序列分类模型。回顾性收集我院2013年2月至2020年4月乳腺MRI图像质量合格数据377例(数据集Ⅱ),按动态对比增强(dynamic contrast-enhanced, DCE)-MRI期相特征分三类:无对比剂期(no-contrast, NoC)、对比剂增强早期(contrast enhanced early,CEearly)、对比剂增强期(contrast enhanced, CE),训练DCE期相分类模型。回顾性收集我院2021年10月至2021年12月乳腺MRI图像质量合格数据95例(数据集Ⅲ),用于模型(序列和DCE期相)预测效能的独立验证,并通过程序对数据集Ⅲ中的扩散加权成像(diffusion weighted imaging, DWI)参数进行分类:DWI-high和DWI-low。以影像医师依据图像序列、强化特点及参数进行分类的结果为金标准,采用混淆矩阵的方法评价模型的分类效能。结果在序列分类模型中,总体准确率为92.0%,对ADC、T2WI、FS T2WI各自分类的准确率为100.0%、84.9%、100.0%;在DCE期相分类模型中,总体准确率为90.4%,对NoC、CEearly、CE各自分类的准确率为89.7%、39.2%、95.7%;程序在DWI参数分类中,对DWI-high和DWI-low的分类结果与医师完全一致。结论利用深度学习模型和程序技术对多参数乳腺MRI进行图像序列、期相和参数分类,输出结果与医师分类结果一致性高,基本满足临床需要。

关键词：乳腺肿瘤图像自动分类深度学习人工智能磁共振成像

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于KNN的图像自动分类模型研究

引用

中国图书馆学报 2007年第1期33卷 74-76页

作者：余肖生周宁张芳芳武汉大学信息管理学院武汉大学信息资源研究中心

所谓图像自动分类是指利用图像自动分类器把待分类的图像分配到预定义的图像类的过程。用于图像自动分类的方法有多种。其中K近邻算法是一种基于实例学习的方法,是一种较理想的自动分类器。本文在它的基础上提出了图像自动分类模型,整... 详细信息

所谓图像自动分类是指利用图像自动分类器把待分类的图像分配到预定义的图像类的过程。用于图像自动分类的方法有多种。其中K近邻算法是一种基于实例学习的方法,是一种较理想的自动分类器。本文在它的基础上提出了图像自动分类模型,整个图像自动分类过程包括图像预处理、特征表示、机器学习和图像分类4个步骤。表1。图1。参考文献13。

关键词：图像自动分类 K近邻算法支持向量机贝叶斯分类法

来源：

同方期刊数据库评论

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

基于视觉传达技术的交通标志图像智能识别

引用

现代电子技术 2020年第11期43卷 55-58页

作者：童零晶湖北工业大学工程技术学院湖北武汉430060

针对当前交通标志图像识别错误率高、识别实时性差等缺陷,以提高交通标志图像识别准确率为主要目标,提出基于视觉传达技术的交通标志图像智能识别方法。首先,采集交通标志图像,并根据视觉传达技术对图像进行预处理,提高交通标志图像质量... 详细信息

针对当前交通标志图像识别错误率高、识别实时性差等缺陷,以提高交通标志图像识别准确率为主要目标,提出基于视觉传达技术的交通标志图像智能识别方法。首先,采集交通标志图像,并根据视觉传达技术对图像进行预处理,提高交通标志图像质量;然后,从交通标志图像中提取识别特征,并采用机器学习算法中的支持向量机对交通标志图像进行自动分类和智能识别;最后,采用交通标志图像识别的数据集进行仿真模拟实验。结果表明,所提方法提高了交通标志图像智能识别的正确率,识别速度大大提升,交通标志图像智能识别结果明显优于当前其他方法,具有更高的实际应用价值。

关键词：智能识别交通智能管理交通标志图像视觉传达技术图像预处理图像自动分类

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于形态检验的毛发物证显微图像自动识别方法研究

基于形态检验的毛发物证显微图像自动识别方法研究

引用

作者：姜晓佳中国人民公安大学

学位级别：硕士

毛发作为犯罪现场常见物证之一,对犯罪现场重建分析、侦查方向确定、犯罪嫌疑人排除或轨迹追踪有重要意义。目前,毛发物证的形态学检验主要利用显微镜进行微观形态的人工比对与分类鉴别,方法成熟但自动化程度低,易产生主观误差。本文针... 详细信息

毛发作为犯罪现场常见物证之一,对犯罪现场重建分析、侦查方向确定、犯罪嫌疑人排除或轨迹追踪有重要意义。目前,毛发物证的形态学检验主要利用显微镜进行微观形态的人工比对与分类鉴别,方法成熟但自动化程度低,易产生主观误差。本文针对毛发物证提出一种基于卷积神经网络的毛发显微图像分类方法,通过自建网络对毛发显微图像进行形态特征提取与训练,实现毛发图像自动分类,提升物证检验智能化水平。本文使用搭载LAS X软件的Leica DVM6数码显微镜,对实验制作的不同种类毛发样本切片进行显微图像采集与滑动窗口裁剪、灰度转换、数据增强等图像处理。建立人类毛发显微图像实验数据集,含5类毛发样本,每类6000张,共30000张显微图像;建立人与动物毛发显微图像实验数据集,含10类毛发样本,每类30000张,共300000张显微图像。针对数据集特点,设计搭建新的卷积神经网络Hair-Net,对人类毛发显微图像数据集进行样本训练与测试,不断调整参数、优化结构以获得最佳模型;再利用改进网络对人与动物毛发显微图像数据集进行样本训练与测试,与经典网络LeNet与AlexNet进行性能对比,引入多种网络优化手段提升网络性能,得到该数据集最佳分类模型。最后通过技术盲测检验自建的两级自动分类模式与最优模型的实战应用效果。实验研究表明:1、设计搭建的卷积神经网络Hair-Net在人类毛发显微图像数据集上的分类效果良好。经学习率、迭代次数、批尺寸等参数调整,再行优化输入层、引入Leaky ReLU激活函数及批正则化,最佳模型Hair-Net-Human的分类精度达96.93%,且泛化能力良好;2、Hair-Net改进模型在人与动物毛发显微图像数据集的分类效果优于经典网络LeNet、AlexNet,利用Inception结构轻量化网络的同时,引入Center-loss中心损失函数与原有Softmax-loss函数进行联合监督,显著提升网络性能与鲁棒性,最佳模型Hair-Net-Animal分类精度达95.24%;3、设计模拟现场进行毛发物证提取与图像采集,按照本文建立的现场毛发物证显微图像的两级自动分类模式,将检材图像分步输入人与动物毛发显微图像分类模型Hair-Net-Animal、人类毛发显微图像分类模型Hair-Net-Human进行分类检测,总体精度均在80%以上,验证了本文方法的实战应用性。本文打破了毛发物证的传统肉眼分类鉴别方法,创新性地结合深度学习并自行设计搭建了新的卷积神经网络Hair-Net,在自建的毛发显微图像数据集上取得了良好的分类效果,建立了现场毛发物证显微图像的两级自动分类模式,利用模拟测试验证了本文方法在毛发物证采集后可实现快速自动分类,有效减少人工鉴别的主观误差,为毛发形态学检验提供了一种新的自动分类鉴别方法。

关键词：毛发物证毛发形态学检验毛发显微图像卷积神经网络图像自动分类

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：