基于STN与异构卷积滤波器的肝硬化识别

卷积神经网络因缺乏空间不变性造成分类精度不高,且由于复杂度过高导致分类效率较低。提出一种利用空间变换网络和异构卷积滤波器的SH_ImAlexNet网络,应用于肝硬化样本识别。改进卷积神经网络AlexNet的结构和参数以满足肝硬化样本尺度要求,引入空间变换网络层增强特征提取能力与空间不变性,采用异构卷积滤波器替换部分卷积核降低复杂度并提升鲁棒性。实验结果表明,该网络的分类效果较AlexNet、VGG等传统网络更优,在小样本数据集和大样本数据集上的识别率分别达到98.28%和95.67%,空间复杂度和时间复杂度更低且运行效率更高。

基于多尺度多特征卷积神经网络的肝硬化识别

针对B超图像肝硬化识别中有标记数据不足和单一尺度特征缺乏鲁棒性的问题,提出了一种基于数据增强的多尺度多特征卷积神经网络M-CNN模型。首先在有限的肝硬化数据集上进行数据增强,一定程度上避免了过拟合现象。为了增强特征鲁棒性,将三种不同尺度的样本作为模型输入,模型同时学习到了不同尺度的特征,将网络不同层的多尺度信息做加权求和,使得不同层的特征对最终结果有不同影响,从而提高了模型的泛化能力。同时改进分类器权重系数,灵活调整权重灵敏度,最终在决策时提升了整个分类器的性能。实验表明,对测试集的分类准确率达到了99.2%。

基于空间通道挤压激励模块的肝硬化识别

针对卷积神经网络对特征信息学习不全面、识别准确率和分类精度不高的问题,提出一种采用空间通道挤压激励模块的scSE_MVGG网络,将其应用于肝硬化识别。对肝硬化图像进行数据增强,以避免深度学习训练出现过拟合现象,改进VGG网络使其适应不同实验样本尺寸,同时将scSE模块与改进的MVGG网络相融合,通过提高网络提取特征的指向性增强肝硬化识别效果。实验结果表明,该网络对肝硬化图像的识别率达到98.78%,较scSE_VGG、scSE_AlexNet等网络识别效果更优。