期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到1篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
基于卷积神经网络和迁移学习的肿瘤舌象识别研究
1
作者 曾孟霞 关静 +5 位作者 李子健 张新峰 沈洋 刘传波 赵瑞珍 姜琳 《中国医药导报》 CAS 2024年第12期58-63,共6页
目的 探究卷积神经网络Res Net152模型识别肿瘤舌象图片的性能。方法 选取2019年1月至2021年12月于北京中医药大学东直门医院、北京中医药大学东方医院和北京中医药大学第三附属医院采集的5 943张舌图,其中包括肿瘤舌图1 433张,非肿瘤舌... 目的 探究卷积神经网络Res Net152模型识别肿瘤舌象图片的性能。方法 选取2019年1月至2021年12月于北京中医药大学东直门医院、北京中医药大学东方医院和北京中医药大学第三附属医院采集的5 943张舌图,其中包括肿瘤舌图1 433张,非肿瘤舌图4 510张。经过图像预处理后,随机选取1 000张舌图作为测试集,其余的4 943张作为训练集。通过图像扩增技术将4 943张训练集舌图扩增为54 535张,并输入在ImageNet-2012数据集上经过预训练的卷积神经网络ResNet152模型,以建立舌象自动识别系统。然后将1 000张测试集舌图输入模型,记录识别结果。最后,运用GRAD-CAM技术对测试集中模型正确识别为肿瘤的舌图进行可视化分析,统计和分析模型识别肿瘤舌图重点关注的舌象特征。结果 在测试集中,卷积神经网络ResNet152模型识别肿瘤舌象的分类正确率为85.7%,召回率为84.9%,准确率为85.5%,F_(1)值为85.2%,曲线下面积为91.3%。对正确识别为肿瘤的舌图进行可视化分析,结果显示对模型正确识别肿瘤贡献度最高的舌象特征是瘀斑和裂纹。结论 卷积神经网络ResNet152模型提供了一种非侵入性且高效的肿瘤检测方法,能够辅助肿瘤的诊断,瘀斑和裂纹可能是模型预测肿瘤最关注的两个舌象特征。 展开更多
关键词 卷积神经网络 迁移学习 肿瘤 舌象识别
在线阅读 下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
关于我们 | 版权声明 | 联系我们 | 帮助中心| 意见反馈
主办单位：上海市教育委员会
技术支持：重庆维普资讯有限公司
渝公网安备 50019002500403号
使用帮助 返回顶部