期刊文献+
共找到1篇文章
< 1 >
每页显示 20 50 100
基于迁移学习Inception V3网络模型鉴别胰腺浆液性囊腺瘤与黏液性囊腺瘤 被引量:3
1
作者 张志伟 武杰 +2 位作者 边云 田慧 邵成伟 《中国医学影像技术》 CSCD 北大核心 2023年第6期876-879,共4页
目的基于迁移学习建立InceptionV3网络模型,观察其鉴别胰腺浆液性囊腺瘤(SCN)与黏液性囊腺瘤(MCN)的价值。方法回顾性分析172例胰腺囊性肿瘤(PCN)患者,包括107例SCN和65例MCN;按3∶1∶1将其分为训练集(n=102)、验证集(n=34)和测试集(n=3... 目的基于迁移学习建立InceptionV3网络模型,观察其鉴别胰腺浆液性囊腺瘤(SCN)与黏液性囊腺瘤(MCN)的价值。方法回顾性分析172例胰腺囊性肿瘤(PCN)患者,包括107例SCN和65例MCN;按3∶1∶1将其分为训练集(n=102)、验证集(n=34)和测试集(n=36),提取肿瘤T2WI特征。采用迁移学习方法建立InceptionV3网络模型并加以微调,与其他3种卷积神经网络模型和1种机器学习模型进行对比,评估InceptionV3网络模型鉴别胰腺SCN与MCN的价值。结果基于迁移学习建立的InceptionV3网络模型鉴别胰腺SCN与MCN的准确率为96.13%,敏感度为96.55%,特异度为95.86%,F1值为0.96;所有效能指标均好于非迁移模型。替换全连接层(FC)基于迁移学习InceptionV3模型鉴别胰腺SCN与MCN的准确率为97.13%,敏感度为95.32%,特异度为98.79%,F1值为0.97,均优于冻结卷积层(Conv)及替换FC+冻结Conv模型。基于迁移学习InceptionV3网络模型鉴别胰腺SCN与MCN的效能指标均优于其他4种模型。结论基于迁移学习成功建立的InceptionV3网络模型对于鉴别胰腺SCN与MCN具有一定价值。 展开更多
关键词 胰腺肿瘤 深度学习 磁共振成像
在线阅读 下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部