结合深度学习和支持向量机的海马子区图像分割

点

点击论文题目，可以阅读全文呦~

论文看点

将卷积神经网络引入海马子区图像处理算法。通过CNN网络能够自动提取图像特征，无需进行繁琐耗时的人工设计，且提取出的图像特征代表性很强，克服了基于图谱、稀疏表示和字典学习、SVM等方法的缺点。

使用SVM分类器代替CNN网络自身的分类器，提高了分类器的泛化能力，同时克服了CNN和SVM各自的缺陷，综合了其优点，提升了海马子区的分类准确率。

专家评语

深度学习与支持向量机结合，用于医学图像分割，有效地提升目标(海马子区域)的分割精度，具有临床应用价值。

海马及其亚区的准确分割对于研究神经退行性病变具有重要的临床价值。本文提出了一种结合深度学习和支持向量机的海马亚区图像分割方法。该分割方法在一定程度上提高了海马亚区分割的准确性，具有一定的新意。

论文组织结构清晰，实验方案合理可行，实验数据真实可靠。

关键图表

引用格式Shi Y G, Cheng K, Liu Z W.Segmentation of hippocampal subfields by using deep learning and support vector machine[J]. Journal of Image and Graphics ,2018, 23(4): 0542-0551.时永刚,程坤,刘志文.结合深度学习和支持向量机的海马子区图像分割[J]. 中国图象图形学报,2018,23(4): 0542-0551.

[ DOI:10.11834/jig.170431]