南方医科大学学报

作者：梁翠霞,李明强,边兆英,吕闻冰,曾栋,马建华

目的本文结合深度学习特征（DF）和传统图像特征（HCF）特点，利用多分类器融合的方法建立一个乳腺肿瘤分类模型，并深入评估和分析不同深度学习网络特征的肿瘤分类性能。方法回顾性分析106例乳腺肿瘤患者的头尾位和内外倾斜位投影的全数字乳腺成像数据。首先从肿瘤区域提取23维HCF（12维形态及11维纹理特征），用t检验进行显著性特征选择；然后分别从3 个卷积神经网络模型提取不同维度DF，在实验中，3 个不同深度学习网络产生了相应DF，分别是AlexNet，VGG16 和GoogLeNet；最后结合2个投影数据的DF和HCF，采用多分类器的融合模型对特征进行训练和测试，实验重点分析不同DF在肿瘤分类上的性能。结果结合DF和HCF建立的分类模型比使用单独HCF的分类模型表现出更好的性能；相比于其它网络框架，DFAlexNet和HCF的结合表现出更高精度的分类结果。结论结合DF和HCF的特征方法建立一个分类模型，对于良恶性乳腺肿瘤具有优秀的鉴别能力，且泛化能力更强，能作为临床辅助诊断工具。

来源：2019年第01期

《南方医科大学学报》期刊编辑部

查看南方医科大学学报杂志2019年第01期