TY - JOUR A2 - Keravnou, Elpida AU - Wu, Panpan AU - Sun, Xuanchao AU - Zhao, Ziping AU - Wang, Haishuai AU - Pan, Shirui AU - Schuller，Björn PY - 2020 DA - 2020/03/30 TI -基于深度残差网络和迁移学习的肺结节分类SP - 8975078 VL - 2020 AB -传统计算机辅助检测(CAD)系统的肺结节检测分类过程复杂，分类结果在很大程度上依赖于肺结节检测中每一步的性能，导致分类准确率低，假阳性率高。为了解决这些问题，提出了一种基于深度残差网络的肺结节分类方法。摒弃传统的图像处理方法，以50层ResNet网络结构为初始模型，结合残差学习和迁移学习构建深度残差网络。通过对公开的LIDC-IDRI数据库中的肺部CT图像进行实验，验证了该方法的有效性。10倍交叉验证方法的平均准确率为98.23%，假阳性率为1.65%。与传统的基于支持向量机(SVM)的CAD系统相比，该方法的准确率提高了9.96%，假阳性率降低了6.95%，准确率分别提高了1.75%和2.42%，假阳性率分别降低了2.07%和2.22%。与VGG19模型和InceptionV3卷积神经网络相比。实验结果证明了该方法在CT图像肺结节分类中的有效性。 SN - 1687-5265 UR - https://doi.org/10.1155/2020/8975078 DO - 10.1155/2020/8975078 JF - Computational Intelligence and Neuroscience PB - Hindawi KW - ER -