基于TV模型与GoogLeNet的甲状腺结节图像分类

发布时间：2022-01-15 02:35

　　提出一种基于TV模型和深度学习Goog Le Net模型的甲状腺结节图像分类方法,采用基于TV模型的自适应图像修复方法对甲状腺超声图像进行预处理,消除边框标记。为提升网络的结节分类性能,采用深度学习的方法,构建GoogLeNetIncepetion V1模型对甲状腺超声波图像数据集进行实验。在各类病变和正常的甲状腺医疗图像数据集上的实验结果显示,该方法的分类诊断准确率为96.04%,具有非常可观的临床应用价值。 

【文章来源】：计算机应用研究. 2020,37(S1)北大核心CSCD

【文章页数】：3 页

【参考文献】：
期刊论文
[1]基于深度学习算法的图像分类方法[J]. 陶筱娇,王鑫.  微型电脑应用. 2019(03)
[2]基于FABEMD的纹理图像分类算法[J]. 胡明娣,臧艺迪,徐家慧.  西安邮电大学学报. 2018(01)
[3]基于改进的卷积神经网络LeNet-5的车型识别方法[J]. 王秀席,王茂宁,张建伟,程鹏.  计算机应用研究. 2018(07)
[4]超声引导下甲状腺结节细针吸取细胞学检查的诊断价值[J]. 夏炳兰,何春兰,宋斌,蒋煊.  中国现代普通外科进展. 2014(07)
[5]一种基于TV模型的自适应图像修复方法[J]. 邵肖伟,刘政凯,宋璧.  电路与系统学报. 2004(02)



本文编号：3589724