典型文献
深度迁移学习在改善乳腺MRIBI-RADS 3类病变诊断的应用研究
文献摘要：
目的:探讨基于DenseNet201深度迁移学习(DTL)在改善乳腺MRI BI-RADS 3类病变分类诊断的潜力.方法:采用基于DenseNet201的DTL模型对11 256幅良性组和5 448幅恶性组乳腺DCE-MRI图像进行学习.将良性组、恶性组图像按照9:1随机分为训练集(良性组:10 146幅;恶性组4908幅)和测试集(良性组:1110幅;恶性组:540幅).收集乳腺MRI报告BI-RADS 3类患者201例作验证集,其中197例良性,4例恶性.以验证集准确度、召回率、F1评分及ROC曲线下面积作为性能指标.结果:训练集和测试集最高准确度分别为100.00％和99.52％.验证集平均准确度、平均召回率、平均F1评分及ROC曲线下面积分别为98.00％、0.98、0.98和0.98.DTL模型对201例病变归类正确199例,归类准确度99.00％.结论:基于DenseNet201的DTL模型是提高乳腺MRIBI-RADS 3类病变良恶性诊断准确性的有效方法.
文献关键词：
卷积神经网络;深度迁移学习;乳腺病变;磁共振成像
中图分类号：
作者姓名：
孟名柱;何光远;潘昌杰;沈栋;张铭;周扬
作者机构：
南京医科大学附属常州第二人民医院医学影像科
文献出处：
引用格式：
[1]孟名柱;何光远;潘昌杰;沈栋;张铭;周扬-.深度迁移学习在改善乳腺MRIBI-RADS 3类病变诊断的应用研究)[J].中国医学计算机成像杂志,2022(02):137-141
A类：
MRIBI
B类：
深度迁移学习,RADS,DenseNet201,DTL,分类诊断,DCE,训练集,测试集,验证集,召回率,高准确度,良恶性诊断,诊断准确性,乳腺病变,磁共振成像
AB值：
0.199379
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
