典型文献
基于多尺度特征与通道特征融合的脑肿瘤良恶性分类模型
文献摘要：
针对脑肿瘤良恶性分类过程复杂、分类准确率不高等问题,提出了一种基于多尺度特征与通道特征融合的分类模型.该模型以ResNeXt网络为主干网络,首先,将基于空洞卷积的多尺度特征提取模块代替第一层卷积层,利用膨胀率获取不同感受野的图像信息,将全局特征与局部显著特征相结合;其次,添加通道注意力机制模块,融合特征通道信息,提高对肿瘤区域的关注度,降低对冗余信息的关注度;最后,采用学习率的线性衰减策略、图像的标签平滑策略以及基于医学图像的迁移学习策略的组合优化提高模型的学习能力和泛化能力.在BraTS2017和BraTS2019数据集中进行实验,准确率分别达到98.11％和98.72％.与经典模型和其他先进方法相比,该分类模型能够有效地减少分类过程的复杂度,提高脑肿瘤良恶性分类的准确率.
文献关键词：
脑肿瘤;多尺度特征;通道注意力机制;深度学习
中图分类号：
作者姓名：
姜林奇;宁春玉;余海涛
作者机构：
长春理工大学生命科学技术学院,吉林长春130022
文献出处：
引用格式：
[1]姜林奇;宁春玉;余海涛-.基于多尺度特征与通道特征融合的脑肿瘤良恶性分类模型)[J].中国光学,2022(06):1339-1349
A类：
BraTS2017
B类：
通道特征融合,脑肿瘤,肿瘤良恶性,良恶性分类,分类模型,分类过程,分类准确率,ResNeXt,主干网络,空洞卷积,多尺度特征提取模块,第一层,卷积层,膨胀率,感受野,图像信息,全局特征,显著特征,通道注意力机制,注意力机制模块,融合特征,肿瘤区,冗余信息,用学,学习率,标签平滑,医学图像,迁移学习策略,组合优化,泛化能力,BraTS2019,少分
AB值：
0.347686
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。
