基于Fisher向量和混合描述符的胎盘成熟度分级
摘要：胎盘成熟度分级（PMG）对于评估胎儿生长和孕妇健康来说至关重要。目前,PMG主要依赖于临床医生的主观判断,不仅十分耗时,而且由于工作的重复性和冗余性,常会产生误判。传统机器学习中使用的手工特征提取方法,不能很好解决PMG的分级问题,因此提出从B超图像和彩色多普勒能量图像中提取深度混合描述符进行胎盘成熟度自动分级的方法。从深度卷积神经网络中提取卷积特征,并将其与手工特征结合形成混合描述符来提高模型性能。首先,将多个特征层的不同模型进行融合,从图像中获取混合描述符。同时,考虑到深度表达特征,使用迁移学习策略来增强分级性能。然后,用Fisher向量（FV）对提取的描述符进行编码。最后,使用支持向量机（SVM）分类器对胎盘成熟度进行分级。用医生标注好的数据进行测试,在基于19层网络的混合特征模型获得高达94.15%的精确度,比单一使用手工特征模型提升3.01%,比CNN特征模型提升7.35%。实验结果证明,所提方法能够有效应用于胎盘成熟度自动分级。
注: 保护知识产权,如需阅读全文请联系中国生物医学工程学报杂志社
相关推荐
更多
