【摘要】 高度准确的生物医学图像分类是临床诊断许多医学疾病的重要任务。

高度准确的生物医学图像分类是临床诊断许多医学疾病的重要任务。传统的图像分类方法结合手工制作的图像特征描述符和各种分类器不能有效提高准确率，不能满足生物医学图像分类的高要求。同样的道理也适用于人工神经网络模型，这些人工神经网络模型直接使用有限的生物医学图像作为训练数据，或者直接用作黑盒来提取基于另一个远程数据集的深度特征。

Pang等人[1]通过深度学习和迁移学习，提出了一种高度可靠和准确的端到端生物医学图像分类器。首先应用域转移深度卷积神经网络建立深度模型；然后基于原始生物医学图像的原始像素，使用监督训练开发一个整体的深度学习架构。在模型中，不需要手动设计特征空间，寻求有效的特征向量分类器或分割特定的检测对象和图像补丁，这是采用传统图像分类方法的主要技术难点。此外，不需要关心是否有大型的带注释的生物医学图像训练集，是否有负担得起的GPU并行计算资源，是否需要等待很长时间才能训练出一个完美的深度模型，这些都是最近的工作中观察到的训练用于生物医学图像分类的深度神经网络的主要问题。

利用简单的数据增强方法和快速的收敛速度，该算法可以达到最佳的准确率和出色的生物医学图像分类能力。在几个知名的公共生物医学数据集上评估了该分类器，并将其与几种最先进的方法进行了比较。该分类器显示出高度可靠和准确的性能，并已在多个公共生物医学图像数据集上得到证实。

[1] Shuchao Pang, Zhezhou Yu, Mehmet A. Orgun. A novel end-to-end classifier using domain transferred deep convolutional neural networks for biomedical images[J]. Computer Methods and Programs in Biomedicine, 2017, 140: 283-293.

 

科学指南针是杭州研趣信息技术有限公司推出的主品牌，专注科研服务，以分析测试为核心。团队核心成员全部来自美国密歇根大学，卡耐基梅隆大学，瑞典皇家工学院，浙江大学，上海交通大学，同济大学等海内外名校，为您对接测试的项目经理100%具有硕士以上学历。我们整合高校/社会闲置仪器设备资源，甄选优质仪器，为广大科研工作者提供方便、快速、更具性价比的分析测试服务。

 

免责声明：部分文章整合自网络，因内容庞杂无法联系到全部作者，如有侵权，请联系删除，我们会在第一时间予以答复，万分感谢。