基于3D CNN的脑胶质瘤分类算法

论文摘要

基于目前脑胶质瘤在低分级胶质瘤和高分级胶质瘤上分类不准确的问题,提出了基于3D CNN特征提取的磁共振成像脑胶质瘤分类方法。在3D CNN模型中加入Batch Normalizing层和Dropout层,降低了过度拟合并加速了网络收敛速度;使用N4ITK和数据增强后的数据进行训练,进一步降低了过度拟合,提升了模型分类效果;构建特征融合层,实现自动分类。实验结果表明,算法在BraTS 2018数据集中的分类效果具有明显优势,分类准确率高达91.67%,明显高于AlexNet、VGG和ResNet三大主流网络模型,算法具有较好的鲁棒性和泛化性,对脑胶质瘤的分类和诊断具有临床应用潜力。

论文目录

• 0 引 言
• 1 理论与方法
•   1.1 基于3D CNN的MRI脑胶质瘤分类
•   1.2 构建特征融合层
•   1.3 预处理
•     1.3.1 偏差校正
•     1.3.2 数据增强
• 2 实 验
•   2.1 实验数据
•   2.2 实验环境
•   2.3 评价标准
•   2.4 实验结果与分析
•     2.4.1 原始图像不同学习率分类结果对比
•     2.4.2 加入BN和Dropout后分类结果对比
•     2.4.3 预处理后图像分类结果对比
•     2.4.4 不同网络结构分类结果对比
• 3 结论与展望

文章来源

类型: 期刊论文

作者: 赵尚义,王远军

关键词: 脑胶质瘤分类,特征提取,磁共振成像

来源: 光学技术 2019年06期

年度: 2019

分类: 基础科学,医药卫生科技,信息科技

专业: 神经病学,肿瘤学,计算机软件及计算机应用,自动化技术

单位: 上海理工大学医疗器械与食品学院

基金: 上海市自然科学基金资助项目(18ZR1426900)

分类号: R739.41;TP391.41;TP181

DOI: 10.13741/j.cnki.11-1879/o4.2019.06.018

页码: 749-755

总页数: 7

文件大小: 1248K

下载量: 124