<sub id="n0hly"></sub>
<sub id="n0hly"></sub>

      <small id="n0hly"><progress id="n0hly"></progress></small>

      3. <address id="n0hly"></address>
      3. 
	
        

		
		

	
        
				
			加急見(jiàn)刊
		
        
		

		
		
        
			
        
				
				
				
        
					
					
        
						
						
        基于Fisher向量和混合描述符的胎盤(pán)成熟度分級
        
						
        姜峰; 倪東; 陳思平; 姚遠; 汪天富; 雷柏英  深圳大學(xué)生物醫學(xué)工程學(xué)院、廣東省生物醫學(xué)信息檢測和超聲成像重點(diǎn)實(shí)驗室; 廣東深圳518060; 深圳婦幼保健院超聲科、南方醫科大學(xué)附屬醫院; 廣東深圳518060
        

					
        
					
        摘要：胎盤(pán)成熟度分級（PMG）對于評估胎兒生長(cháng)和孕婦健康來(lái)說(shuō)至關(guān)重要。目前,PMG主要依賴(lài)于臨床醫生的主觀(guān)判斷,不僅十分耗時(shí),而且由于工作的重復性和冗余性,常會(huì )產(chǎn)生誤判。傳統機器學(xué)習中使用的手工特征提取方法,不能很好解決PMG的分級問(wèn)題,因此提出從B超圖像和彩色多普勒能量圖像中提取深度混合描述符進(jìn)行胎盤(pán)成熟度自動(dòng)分級的方法。從深度卷積神經(jīng)網(wǎng)絡(luò )中提取卷積特征,并將其與手工特征結合形成混合描述符來(lái)提高模型性能。首先,將多個(gè)特征層的不同模型進(jìn)行融合,從圖像中獲取混合描述符。同時(shí),考慮到深度表達特征,使用遷移學(xué)習策略來(lái)增強分級性能。然后,用Fisher向量（FV）對提取的描述符進(jìn)行編碼。最后,使用支持向量機（SVM）分類(lèi)器對胎盤(pán)成熟度進(jìn)行分級。用醫生標注好的數據進(jìn)行測試,在基于19層網(wǎng)絡(luò )的混合特征模型獲得高達94.15%的精確度,比單一使用手工特征模型提升3.01%,比CNN特征模型提升7.35%。實(shí)驗結果證明,所提方法能夠有效應用于胎盤(pán)成熟度自動(dòng)分級。
        
					
        注: 保護知識產(chǎn)權,如需閱讀全文請聯(lián)系中國生物醫學(xué)工程學(xué)報雜志社
        
				
        
				

			
        
		
        

		
		

	
        

	
	
	
	
	
	
	
	


亚欧成人中文字幕一区-日韩影音先锋AV乱伦小说-成人精品久久一区二区-成人美女视频在线观看

        <sub id="n0hly"></sub>
        <sub id="n0hly"></sub>
        

          <small id="n0hly"><progress id="n0hly"></progress></small>
          3. 

          <address id="n0hly"></address>
          3.