典型文献
基于迁移学习的癌组织图像细胞核分割算法
文献摘要：
医学图像分割是将图像中所关注的区域分割出来,以帮助医生诊断治疗.目前,深度学习技术已被广泛应用于医学图像分割[1].文章的网络模型Grnet利用迁移学习方法,将VGGNet19-1结构与改进后的残差块结构resdiual-block1组合,构建了一个新的病理图像细胞核分割网络.最后得出Grnet在MoNuSeg测试集上的平均dice系数为74.86％,在TNBC数据集上的平均dice系数为74.74％,而Unet网络在MoNuSeg测试集上的平均dice系数为72.83％,在TNBC数据集上的平均dice系数为60.51％.实验结果表明,该网络的细胞核分割效果更好,充分验证了算法的有效性.
文献关键词：
细胞核分割;迁移学习;VGGNet19;残差块
中图分类号：
作者姓名：
胡志敏;陈小辉
作者机构：
三峡大学计算机与信息学院,湖北宜昌443002
文献出处：
引用格式：
[1]胡志敏;陈小辉-.基于迁移学习的癌组织图像细胞核分割算法)[J].长江信息通信,2022(12):31-34
A类：
Grnet,VGGNet19,resdiual,block1,MoNuSeg
B类：
癌组织,细胞核分割,分割算法,医学图像分割,区域分割,割出,诊断治疗,深度学习技术,迁移学习方法,残差块,块结构,病理图像,分割网络,测试集,dice,TNBC,Unet,分割效果
AB值：
0.264585
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。
