提高脊柱病分类精度：融合常规分类器、分割图像和卷积神经网络
计算机视觉与模式识别
2024-12-25 v1 人工智能
机器学习
摘要
脊柱病，表现为异常红细胞形态，可通过显微镜图像进行检测。医学中的计算技术可提高诊断和治疗效率。然而，许多计算技术，特别是基于卷积神经网络(CNN)的技术，需要大量资源和训练时间，凸显了低计算开销方法的研究机会。本文提出了一种 novel方法，将常规分类器、分割图像和CNN融合，用于脊柱病的自动化分类。我们评估了分割图像对分类的影响，为深度学习集成提供了见解。我们的结果表明，使用分割图像和CNN特征与SVM可实现96.80%的准确率。这一发现对于计算效率较低的场景具有意义，为未来的医学图像分析研究和进步铺平了道路。
引用
@article{arxiv.2412.17975,
title = {Improving Sickle Cell Disease Classification: A Fusion of Conventional Classifiers, Segmented Images, and Convolutional Neural Networks},
author = {Victor Júnio Alcântara Cardoso and Rodrigo Moreira and João Fernando Mari and Larissa Ferreira Rodrigues Moreira},
journal= {arXiv preprint arXiv:2412.17975},
year = {2024}
}
备注
14 pages