机构名称：
¥ 1.0
脑肿瘤的识别很耗时，因此开发一个使用成像技术的自动化系统非常重要。使用磁共振图像 (MRI) 将脑肿瘤分类为良性或恶性。从基于 MRI 的脑肿瘤图像中，提取特征对于模式识别至关重要，模式识别可根据颜色、名称、形状等确定对象。因此，分类器依赖于形状、颜色等特征的强度，然而，分类器依赖于使用深度学习分类器提取的特征，而深度学习分类器依赖于提取的特征。医学领域的深度学习算法引起了计算机视觉研究人员的兴趣，它在执行过程中耗费时间。提出的扩张 U-Net 模型扩展了用于提取多尺度上下文信息的感受野。基于高分辨率条件，使用大规模特征图生成大规模特征图和高分辨率条件。它提供了丰富的空间信息，可用于执行语义分割。使用 U-Net 实现语义图像分割，因为它添加了一条扩展路径来生成属于源图像中发现的特征的像素分类。现有的基于核的 SVM 模型获得了 99.15% 的准确率，非支配排序遗传算法卷积神经网络 (NSGA-CNN) 获得了 99% 的准确率，具有自适应模糊聚类的深度 Elman 神经网络获得了 98% 的准确率，3D 上下文深度监督 U-Net 获得了 92% 的准确率。然而，与现有模型相比，所提出的基于扩张 U-Net 的 CNN 模型获得了 99.5% 的准确率。关键词：脑肿瘤、深度学习分类器、扩张 U-Net CNN 模型、磁共振图像。
CCCPublications 使用扩张镜识别脑肿瘤...
主要关键词
相关文件推荐
