基于深度迁移学习的大鼠肝纤维化诊断

• 作者: 余文林 范冰冰 陈振洲 黄穗
• 来源期刊: 计算机系统应用
• 关键词: 肝纤维化 深度学习 迁移学习 分期诊断
• 年，卷（期）: 2019,（5）
• 所属期刊栏目: 专论·综述
• 页码范围: 18-27
• 页数: 10页
• 字数: 5764字
• 语种: 中文
• DOI: 10.15888/j.cnki.csa.006904

摘要

针对肝纤维化临床诊断方法具有有创性和传统机器学习方法特征提取的不完全性的缺陷,本文采用深度迁移学习方法利用预训练的ResNet-18和VGGNet-11模型用于肝纤维化分期诊断.使用南方医科大学提供的大鼠肝纤维化核磁共振影像数据集进行不同程度的迁移训练.将两种模型在通过4种不同参数采集的核磁共振影像数据集上,分别使用6种网络迁移配置训练.实验结果表明,使用T1RHO-FA参数采集的核磁共振影像和采用VGGNet-11模型更能提高肝纤维化分期诊断的准确率.同时相对于ResNet-18模型,深度模型迁移学习方法能稳定提升VGGNet-11模型进行肝纤维化分期诊断的准确率和训练速度.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	陈振洲	华南师范大学计算机学院	12	45	4.0	6.0
2	范冰冰	华南师范大学计算机学院	70	284	7.0	13.0
3	余文林	华南师范大学计算机学院	1	0	0.0	0.0
4	黄穗	华南师范大学计算机学院	4	5	1.0	2.0