基于Fisher向量和混合描述符的胎盤成熟度分級
摘要：胎盤成熟度分級（PMG）對于評估胎兒生長和孕婦健康來說至關重要。目前,PMG主要依賴于臨床醫生的主觀判斷,不僅十分耗時,而且由于工作的重復性和冗余性,常會產生誤判。傳統機器學習中使用的手工特征提取方法,不能很好解決PMG的分級問題,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行胎盤成熟度自動分級的方法。從深度卷積神經網絡中提取卷積特征,并將其與手工特征結合形成混合描述符來提高模型性能。首先,將多個特征層的不同模型進行融合,從圖像中獲取混合描述符。同時,考慮到深度表達特征,使用遷移學習策略來增強分級性能。然后,用Fisher向量（FV）對提取的描述符進行編碼。最后,使用支持向量機（SVM）分類器對胎盤成熟度進行分級。用醫生標注好的數據進行測試,在基于19層網絡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%。實驗結果證明,所提方法能夠有效應用于胎盤成熟度自動分級。
注: 保護知識產權,如需閱讀全文請聯系中國生物醫學工程學報雜志社
相關推薦
更多
