典型文献
基于多层次特征融合的口腔粘膜性疾病识别方法
文献摘要：
口腔粘膜性疾病的识别主要依靠医生肉眼观察并进行主观判断,该方法导致疾病识别的准确率低、医生的工作量大.针对以上问题提出一种基于多层次特征融合的口腔粘膜性疾病识别方法.对口腔疾病图像提取深层次特征和浅层次特征共两种,使用EfficientNet模型做深层特征的提取,使用HSV、方向梯度直方图(histogram of oriented gradient,HOG)和灰度共生矩阵(gray-level co-occurrence matrix,GLCM)分别提取口腔疾病的颜色、形状以及纹理的浅层特征,将特征融合后利用随机森林(random forest,RF)算法进行特征选择,选取特征重要性更大的特征,降低特征的维度.最后结合多种机器学习分类器进行分类识别.使用收集到的口腔粘膜疾病数据集进行实验验证,实验结果表明,该方法能达到准确率(accuracy,Acc)92.89％、灵敏度(sensitivity,Sen)89.91％、特异性(specificity,Spe)96.06％以及 AUC(area under the curve)98.09％,有效地解决识别中误判多、准确率低等问题.
文献关键词：
口腔粘膜疾病;efficientNet;多层次特征融合;随机森林(RF);分类器
中图分类号：
作者姓名：
张道奥;高明;刘青;王舒研;汪苑苑
作者机构：
西安工业大学光电工程学院,陕西西安710021;空军军医大学第三附属医院口腔粘膜科,陕西西安710032;军事口腔医学国家重点实验室/国家口腔疾病临床医学研究中心/陕西省口腔疾病临床医学研究中心,陕西西安710032
文献出处：
引用格式：
[1]张道奥;高明;刘青;王舒研;汪苑苑-.基于多层次特征融合的口腔粘膜性疾病识别方法)[J].光电子·激光,2022(09):968-976
A类：
口腔粘膜疾病,efficientNet
B类：
多层次特征融合,膜性,生肉,肉眼,对口,口腔疾病,图像提取,EfficientNet,深层特征,特征的提取,HSV,方向梯度直方图,histogram,oriented,gradient,HOG,灰度共生矩阵,gray,level,co,occurrence,matrix,GLCM,random,forest,RF,特征选择,特征重要性,机器学习分类器,分类识别,accuracy,Acc,sensitivity,Sen,specificity,Spe,area,under,curve,误判
AB值：
0.350065
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。
