DenseNet-GRU:直肠癌CT影像分类的深度神经网络模型

来源 :计算机技术与发展 | 被引量 : 0次 | 上传用户:Mondy_xu
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
DenseNet是一种广泛用于影像分类的卷积神经网络,但它不具备记忆功能,无法反映卷积操作后不同特征映射之间的关联关系。若将其直接应用于判断直肠癌是否发生淋巴结转移,则无法比较直肠癌CT影像特征在深度神经网络映射过程中的变化。基于此,提出了一种新颖的深度神经网络模型DenseNet-GRU(gated recurrent unit),其核心是利用GRU获取DenseNet提取的不同影像特征之间的关联关系,进而获得不同图像之间相同像素区域的特征变化情况,最终判断直肠癌患者的淋巴结是否存在转移。以包含1
其他文献
基于视觉的多目标跟踪由于在智能监控、动作与行为分析、自动驾驶、虚拟现实和娱乐互动等领域都有重要的应用,近年来越来越多地成为计算机视觉领域的研究重点。并且在电力设施中对人员的活动需要实时追踪,有助于安全防护。对此,针对视频中的多目标检测与分割问题,在原有Mask-RCNN算法的基础上做了改进,引入光流分析法和视频关键帧提取技术,在不改变检测精度的同时大幅度缩短对每一帧的检测时间。实验结果表明,相较于
目标跟踪算法是计算机视觉领域的热门技术之一,拥有广阔的发展前景。核相关滤波视觉跟踪算法由于循环矩阵构造正负训练样本,避免求逆的大量运算,显著提高计算速度而受到广泛关注。但是,核相关滤波算法存在一定局限性,无法应对现实环境存在的遮挡、目标尺度变化、背景模糊等复杂多变的干扰因素。因此提出一种改进型核相关滤波算法。该算法不仅融合多种颜色特征提高图像处理的准确度,而且通过构建自适应尺度变化策略来应对目标尺
不同时间尺度上的水文序列预测在水资源调配和防洪减灾决策中起着重要的作用。提出了一种基于小波分解和非线性自回归神经网络相结合的水文时间序列预测模型(WNARN)。运用Dau
目的观察腓骨肌萎缩症(CMT)X1型的临床、电生理特点和Connexin32(Cx32)基因突变情况.方法对1个无基因重复的临床可疑的CMTX1家系中的3例患者进行详尽的临床和神经电生理检查,
目的探讨首发抑郁症患者经盐酸氟西汀治疗后脑葡萄糖代谢率的变化。方法8例首发抑郁症患者经盐酸氟西汀 治疗前、后进行正电子发射断层扫描术(positron emission tomographyr
为了精化布料网格得到逼真的布料模拟效果,提出了一种基于机器学习的方法合成高分辨率布料褶皱。首先模拟真实的布料运动,获取布料运动的帧数据信息,将布料运动的帧数据信息转换为图像信息的形式进行存储。然后将图像信息作为输入,输入到卷积神经网络(CNN)中进行训练,通过将卷积神经网络与缩小网络相结合,最终得到高分辨率布料图像。最后将高分辨率布料图像转换为高分辨率布料网格,对布料进行模拟。实验结果表明,与初始
离散数学又称为计算机数学,它是研究离散量之间的科学。数理逻辑是离散数学的四大模块之一。为了满足自动化推理的客观需要,人类逐渐将逻辑学运用到了计算机科学领域。回顾人