期刊简介
本刊为综合性医学学术期刊，反映该校学科科研进展与动态，刊登基础医学方面的研究成果及临床诊疗经验。主要栏目有：基础研究、临床研究、技术方法、经验交流、病例报告、科研管理、短篇报道等。读者对象为医学研究人员、医务工作者及医学院校师生。本刊被美国《医学索引》（IM）、《化学文摘》等收录，2005年中国科技信息所公布的影响因子为0.869。
往期目录
-
1999
-
2000
-
2001
-
2002
-
2003
-
2004
-
2005
-
2006
-
2007
-
2008
-
2009
-
2010
-
2011
-
2012
-
2013
-
2014
-
2015
-
2016
-
2017
-
2018
-
2019
首页>南方医科大学学报杂志
- 杂志名称：南方医科大学学报杂志
- 主管单位：广东省教育厅
- 主办单位：南方医科大学
- 国际刊号：1673-4254
- 国内刊号：44-1627/R
- 出版周期：月刊
期刊荣誉：中国综合性医药卫生类核心期刊期刊收录：万方收录(中), 国家图书馆馆藏, JST 日本科学技术振兴机构数据库(日), 上海图书馆馆藏, 北大核心期刊(中国人文社会科学核心期刊), 知网收录(中), 文摘与引文数据库, 统计源核心期刊(中国科技论文核心期刊), 维普收录(中), CSCD 中国科学引文数据库来源期刊(含扩展版), CA 化学文摘(美)
基于深度学习特征的乳腺肿瘤分类模型评估
梁翠霞；李明强；边兆英；吕闻冰；曾栋；马建华
关键词：乳腺肿瘤, 全数字乳腺成像, 计算机辅助诊断, 深度学习, 放射组学
摘要：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;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.
友情链接