基于卷积神经网络的乳腺疾病检测算法

赵京霞; 钱育蓉; 张猛; 杜娇

Chinese

您当前的位置：

首页 >

文章列表页 >

基于卷积神经网络的乳腺疾病检测算法

更新时间：2026-09-04

- 基于卷积神经网络的乳腺疾病检测算法
- Detection algorithm of breast disease based on convolution neural network
- 微电子学与计算机 2019年36卷第7期页码：48-53
- 作者机构：
  
  新疆大学软件学院,新疆,乌鲁木齐,830091
- 作者简介：
- 基金信息：
  
  国家自然科学基金 61562086国家自然科学基金 61462079新疆维吾尔自治区教育厅创新团队项目 XJEDU2016S035新疆大学博士科研启动基金项目 BS1502572017年度自治区高校科研计划项目 XJEDU2017T002
- DOI：
  中图分类号：
- 纸质出版：2019
- 稿件说明：
移动端阅览
赵京霞, 钱育蓉, 张猛, 杜娇. 基于卷积神经网络的乳腺疾病检测算法[J]. 微电子学与计算机, 2019, 36(7): 48-53.

ZHAO Jing-xia, QIAN Yu-rong, ZHANG Meng, et al. Detection algorithm of breast disease based on convolution neural network[J]. 2019, 36(7): 48-53.
赵京霞, 钱育蓉, 张猛, 杜娇. 基于卷积神经网络的乳腺疾病检测算法[J]. 微电子学与计算机, 2019, 36(7): 48-53. DOI：

ZHAO Jing-xia, QIAN Yu-rong, ZHANG Meng, et al. Detection algorithm of breast disease based on convolution neural network[J]. 2019, 36(7): 48-53. DOI：

摘要

为提高计算机辅助乳腺疾病检测的准确率

提出一种基于卷积神经网络的乳腺疾病检测算法.首先

分别从卷积神经网络中提取图像的浅层特征与深层特征并对其进行加权融合; 其次

通过在卷积神经网络中构建空间金字塔池化层

实现了卷积神经网络的多尺度输入; 最后

在Mammographic Image Analysis Society(MIAS)数据集上进行验证实验.实验结果表明

本文提出的乳腺疾病检测算法平均准确率高达94.93%

与其他乳腺疾病检测算法进行对比实验可知

本文提出的乳腺疾病检测算法具有更高的检测准确率.

Abstract

In order to improve the accuracy of computer-aided breast disease detection

a breast disease detection algorithm based on convolution neural network is proposed. Firstly

the shallow and deep features of the images are extracted from the convolution neural network

and then fuse them in a weighted way. Secondly

the multi-scale input of the convolution neural network is realized by using the spatial Pyramid pool algorithm. Finally

the algorithm is tested on the Mammographic Image Analysis Society (MIAS) data set. The experimental results show that the average accuracy rate of the breast disease detection algorithm is up to 93.32%. Compared with other breast disease detection algorithms

the breast disease detection algorithm proposed in this paper has higher detection accuracy.

关键词

Keywords

references

ERTOSUN M G, RUBIN D L. Probabilistic visual search for masses within mammography images using deep learning[C]//IEEE International Conference. Stanford School of Medicine, CA USA, 2015: 1310-1315.

AREVALO J, GONZ ALEZ F A, RAMOS-POLL R, et al. Convolutional neural networks for mammography mass lesion classi?cation[C]//The 37th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC). Milan, Italy, 2015: 797-800.

吕鸿蒙, 赵地, 迟学斌.基于增强AlexNet的深度学习的阿尔茨海默病的早期诊断[J].计算机科学, 2017, 44(s1):50-60. DOI: 50

王之琼, 王培, 于戈, 等.双侧特征融合的乳腺肿块检测[J].计算机辅助设计与图形学学报, 2015(6):1024-1031. DOI: 1024

PENG W, MAYORGA R V, HUSSEIN E M. An automated confirmatory system for analysis of mammograms[J]. Computer Methods % Programs in Biomedicine, 2016(125):134-144. DOI: 134

SIMONYAN K, ZISSERMAN A. Very deep convolutional networks for large-scale image recognition[J].Computer Science, 2014, 9(4):1409-1556. DOI: 1409

HE K, ZHANG X, REN S, et al. Spatial pyramid pooling in deep convolutional networks for visual recognition[J].IEEE Transactions on Pattern Analysis % Machine Intelligence, 2015, 37(9):1904-1916. DOI: 1904

JIAO Z, GAO X, WANG Y, et al. A deep feature based framework for breast masses classi?cation[J]. Neurocomputing, 2016: 221-231. DOI:10.1016/j.neucom.2016.02.060.

沈健, 蒋芸, 张亚男, 等.基于边缘检测的多类别医学图像分类方法[J].数据采集与处理, 2016, 31(5):1028-1034. DOI: 1028

周飞燕, 金林鹏, 董军.卷积神经网络研究综述[J].计算机学报, 2017, 40(6):1229-1251. DOI: 1229

胡学伟, 蒋芸, 邹丽, 等.基于邻域关系模糊粗糙集的医学图像分类研究[J].计算机工程与科学, 2016, 38(4):739-746. DOI: 739

何克磊, 史颖欢, 高阳, 等.一种基于原型学习的多示例卷积神经网络[J].计算机学报, 2017, 40(6):1265-1274. DOI: 1265

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于反向体偏置的高增益稳定性高温运放设计

注意力机制与改进密集卷积引导的信息隐藏模型

V型沟槽SiC中子探测器的蒙特卡洛分析

基于区块链的AI生成内容溯源框架设计研究

低功耗设计的双链电源关断策略的实现与验证