电子技术杂志官网

摘要：阐述一种利用卷积神经网络结构来网络检测WCE图像疾病的学习方法。并且在深度学习检测WCE图像的过程中尝试了众多解决数据匮乏的方法。其中包括数据扩充、迁移学习、少数据学习和无监督学习。实验结果表明，即使在数据量较少的情况下，该方法可以实现一个高效、准确的WCE疾病检测深度学习模型，能够达到86.7%的准确率。

关键词： 计算机工程; CNN; 内窥镜图像; 医学图像处理;

基金资助： 2021年重庆开放大学（重庆工商职业学院）科研项目（NDZD2021-02）；

专辑： 医药卫生科技;信息科技

专题： 消化系统疾病;计算机软件及计算机应用

分类号： TP391.41;R57

相似文献

[1] 基于邻域聚合与CNN的知识图谱实体类型补全[J]. 邹长龙;安敬民;李冠宇.计算机工程

[2] 基于CNN和超声传感的手势识别及辅助身份认证[J]. 张梦欢;王亚刚.传感器与微系统,2022(05)

[3] 基于CNN的图像分类[J]. 张雪晴.电子技术与软件工程,2022(07)

[4] 基于共轭梯度法的CNN图像分类模型研究[J]. 王日彤.电子技术与软件工程,2021(04)

[5] 基于FPGA的CNN图像识别加速与优化[J]. 齐延荣;周夏冰;李斌;周清雷.计算机科学,2021(04)

[6] 复杂场景下基于CNN的轻量火焰检测方法[J]. 李欣健;张大胜;孙利雷;徐勇.模式识别与人工智能,2021(05)

[7] 基于边缘特征和CNN联合的多视航拍图像配准方法[J]. 牟海维;段朝辉;李林;万川;郭颖.工业仪表与自动化装置,2021(04)

[8] 基于注意力机制的CNN人脸表情识别[J]. 程换新;成凯;蒋泽芹.电子测量技术,2021(10)

[9] 基于改进CNN的糖尿病视网膜病变图像分类模型研究[J]. 于旭燕;刘建霞;薛文渲;袁晓辉;段淑斐;程永强.现代电子技术,2021(20)

[10] 基于双通道深度CNN的烟雾浓度测量方法[J]. 莫鸿飞;谢振平.模式识别与人工智能,2021(09)