基于三维分类网络的前列腺辅助诊断

• 作者: 俞戈昊 张姗姗 李奕飞 江方舟 白翰林 苏庆华 蔡磊 谷焓 赵地
• 来源期刊: 中国数字医学
• 学科: 医学
• 关键词: 卷积神经网络 三维数据集 图片识别 数据扩充 过拟合
• 年，卷（期）: 2019,（3）
• 所属期刊栏目: 特别专题-人工智能在医学领域的研究与应用
• 页码范围: 18-21
• 页数: 4页
• 分类号: R319|TP399
• 字数: 3339字
• 语种: 中文
• DOI: 10.3969/j.issn.1673-7571.2019.03.005

摘要

现代医学对数据可视化、科学化的分析需求增加,也增加了对医学影像的依赖性.但对于计算机而言,生物图像极为抽象,生物图像识别至今仍处于探索阶段,同时,对大、复杂三维医学图像特征提取和图像识别难度大.目前采用卷积神经网络对三维医学图像进行训练处理,由于训练数据集数量不足,经常出现过拟合现象.针对这些问题,基于TensorFlow深度学习框架,提出了一种新的前列腺辅助诊断模型.模型优化了深度学习网络层次,采用较少的参数加快训练速度,还能降低过拟合的可能性,此外还利用两种数据扩展方式进行数据扩充,并采用了dropout方法以避免过拟合.训练及测试结果表明,模型能够对大部分前列腺三维图像进行分类,判断出图像是否存在异常,正确率超过70％,优于同种条件下训练出的3DAlexNet网络图片分类模型.