結合深度學習和支持向量機的海馬子區圖像分割

點

點擊論文題目，可以閱讀全文呦~

GIF

GIF

論文看點

將卷積神經網路引入海馬子區圖像處理演算法。通過CNN網路能夠自動提取圖像特徵，無需進行繁瑣耗時的人工設計，且提取出的圖像特徵代表性很強，克服了基於圖譜、稀疏表示和字典學習、SVM等方法的缺點。

使用SVM分類器代替CNN網路自身的分類器，提高了分類器的泛化能力，同時克服了CNN和SVM各自的缺陷，綜合了其優點，提升了海馬子區的分類準確率。

專家評語

深度學習與支持向量機結合，用於醫學圖像分割，有效地提升目標(海馬子區域)的分割精度，具有臨床應用價值。

海馬及其亞區的準確分割對於研究神經退行性病變具有重要的臨床價值。本文提出了一種結合深度學習和支持向量機的海馬亞區圖像分割方法。該分割方法在一定程度上提高了海馬亞區分割的準確性，具有一定的新意。

論文組織結構清晰，實驗方案合理可行，實驗數據真實可靠。

關鍵圖表

引用格式

Shi Y G, Cheng K, Liu Z W.Segmentation of hippocampal subfields by using deep learning and support vector machine[J]. Journal of Image and Graphics ,2018, 23(4): 0542-0551.

時永剛,程坤,劉志文.結合深度學習和支持向量機的海馬子區圖像分割[J]. 中國圖象圖形學報,2018,23(4): 0542-0551.

[ DOI:10.11834/jig.170431]

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！