融合自适应小波变换的纹理分类网络
计算机视觉与模式识别
2024-04-09 v1
摘要
Graves 病是一种常见疾病，临床上通过确定超声图像中甲状腺纹理的平滑度及其形态来进行诊断。目前，Graves 病自动化诊断最广泛使用的方法是利用卷积神经网络（Convolutional Neural Networks, CNNs）进行特征提取和分类。然而，这些方法在捕获纹理特征方面表现出有限的效能。鉴于小波在描述纹理特征方面的高能力，本研究将利用提升方案（Lifting Scheme）的可学习小波模块集成到 CNN 中，并在 ResNet18 模型中加入并行小波分支以增强纹理特征提取。我们的模型可以同时分析空间域和频域的纹理特征，从而优化分类准确率。我们在收集的超声数据集和公开可用的自然图像纹理数据集上进行了实验，我们提出的网络在超声数据集上达到了 97.27% 的准确率和 95.60% 的召回率，在自然图像纹理数据集上达到了 60.765% 的准确率，超越了 ResNet 的准确率并证实了我们方法的有效性。
引用
@article{arxiv.2404.05300,
title = {Texture Classification Network Integrating Adaptive Wavelet Transform},
author = {Su-Xi Yu and Jing-Yuan He and Yi Wang and Yu-Jiao Cai and Jun Yang and Bo Lin and Wei-Bin Yang and Jian Ruan},
journal= {arXiv preprint arXiv:2404.05300},
year = {2024}
}