{“状态”：“确定”，“消息类型”：“工作”，“信息版本”：“1.0.0”，“邮件”：{“索引”：{-“日期-部件”：[[2024,9,4]]，“日期-时间”：“2024-09-04T07:19:23Z”，“时间戳”：1725434363800}，“引用-计数”：57，“发布者”：“爱思唯尔BV”，“许可证”：[{“开始”：{“日期-零件”：[2018,8,1]]，“时间”：”2018-08-01T00:00:00Z“，”timestamp“：1533081600000}，”content-version“：“tdm”，“delay-in-days”：0，“URL”：“https:\/\/www.elsevier.com/tdm\/userlicense\/1.0\/”}]，“资助者”：[{“DOI”：“10.13039\/501100001809”，“名称”：“中国自然科学基金会”，“DOI-asserted-by”：“publisher”，“奖项”：[“61701404”，“81671648”，“181727802”]，“id”：[}“id”:“10.13029\/5011000001809”，“id-type”：“DOI”，“asserted-by”：“publisher”}]}，{“DOI“：“10.13039\/501000004194”，“name”：“西北大学”，“doi-asserted-by”：“出版商”，“奖项”：[“YZZ15095”]，“id”：[{“id”:“10.13029\/5010000004194”，“id类型”：“doi”，“asserted by”：“publisher”}]}]，“内容域”：{“domain”：[”elsevier.com“，”sciencedirect.com“]，“crossmark-restriction”：true}，“shortcontainer-title”：[“模式识别”]，“published-print”用法：{“date-parts”：[[2018,8]]}，“DOI”：“10.1016\/j.patcog.2018.02.026”，“type”：“journal-article”，“created”：{”date-part“：[[2018，3,1]]，“date-time”：“2018-03-01T14:57:47Z”，“timestamp”：151996267000}，”page“：”42-52“update-policy”：”http://\/dx.DOI.org\/10016\/elsevier_cm_policy“，“source”：“Crossref”，“is-referenced-by-count”：59，“special_numbering”：“C”，“title”：[“通过深度整合多视图数据的上下文信息进行乳腺肿块分类”]，“前缀”：“10.1016”，“卷”：“80”，“作者”：[{“ORCID”：“http://\/ORCID.org\/0000-0002-7617-9663”，“authenticated-ORCID”：false，“给定”：“Hongyu”，“family”：“Wang”，“sequence”：“first”，“affiliation”：[]}，{“ORCID”:“http://\ORCID.org\/000-0002-0706-20103”，“authenticated-orcid”：false，“给定”：“Jun”，“family”：“Feng”，“sequence”：“additional”，“affiliation”：[]}，{“orcid”：“http://\/orcid.org\/0000-0002-6754-5123”，“authonticated-orcid”：false，“given”：：“Zizhao”，“家族”：“Zhang”，“序列”：“附加”，“从属关系”：[]}{“给定”：“雷”，“家庭”：“Cui”，“sequence”：“additional”，“affiliation”：[]}，{“given”：“Hua”，“family”：“He”，“serquence”:“additionable”，“filiation“：[]{”given“：”Li“，”family“：”刘“，”sequence“：”additional“，”affiliance“：[]}]，“member”：“78”，“reference”：[{“issue”：“24”，“key”：”10.1016\/j.patcog.2018.02.026_bib0001“，”doi-asserted-by“：”crossref“，”first page“：”3243“，”doi“：“10.1001\/jama.289.24.3243”，“文章标题”：“雌激素和孕激素对绝经后健康女性乳腺癌和乳腺造影的影响：女性2019s健康倡议随机试验”，“卷”：“289”，“作者”：“Chlebowski”，“年份”：“2003”，“杂志标题”：《jama》}，{“关键”：“10.1016\/j.patcog.2018.02.026_bib0002”，“doi-asserted-by”：“crossref”，“first page”：“303”，“DOI”：“10.1016\/j.media.2016.07.007”，“article-title”：“计算机辅助检测乳腺病变的大规模深度学习”，“volume”：”35“，“author”：“Kooi”，”year“：”2017“，”journal-title“：”Med.Image Anal.“}，{”issue“：”3“，”key“10.1016”//j.patcog.2018.02.026_bib0003“，“DOI-asserted-by”：“crosslef”“，”首页“：“417”，“DOI”：“10.1016\/j.ejrad.2012.03.005”，“article-title”：“计算机辅助诊断（CAD）在乳腺癌检测中的应用”，“volume”：“82”，“author”：“Dromain”，“year”：“2013”，“journal-title“：”Eur.j.Radiol.“}，{“issue”：“5”，“1170”，“DOI”：“10.1109\/TMI.2015.2482920”，“article-title”：“使用卷积神经网络和随机视图聚合改进计算机辅助检测”，“volume”：“35”，“author”：“Roth”，“year”：“2016”，“journal-title“：”IEEE Trans.Med.Imaging“}，{“issue”：“6”，“key”：”10.1016\/j.patcog.2018.02.026_bib0005“，”doi-asserted-by“：”crossref“，”first page“29”，“doi”：“10.1016\/j.sigpro.2013.12.010”，“article-title”：“筛查乳房X光片中基于显著性的肿块检测”，“volume”：“99”，“author”：“Agrawal”，“year”：“2014”，“journal-title“：”Signal Process.“}，{“key”：”10.1016\/j.patcog.2018.02.026_bib0006“，”doi-asserted-by“：”crossref“，”first page“：”66“，”doi“：”10.116\/j.media.2017.09.007“，”article-title“：“医学图像分析的大规模检索：综合评述”，“卷”：“43”，“作者”：“李”，“年份”：“2017年”，“期刊标题”：“医学影像分析”}，{“键”：“10.1016\/j.patcog.2018.02.026_bib0007”，“series-title”：“神经信息处理系统的进展”，“首页”：“1097”，”文章标题“：“ImageNet分类与深度卷积神经网络”，“author”：“Krizhevsky”，“year”：“2012”}，{“key”：“10.1016\/j.patcog.2018.02.026_bib0008”，“series-title”：“IEEE国际计算机视觉会议论文集”，“首页”：“1026”，“article-title”：“深入研究整流器：超越ImageNet分类的人性化表现”，“author”：“He”，“year”：“2015”}，{“issue”：“7639”，“key”：“10.1016\/j.patcog.2018.02.026_bib0009”，“doi-asserted-by”：“crossref”，《first page》：“115”，“doi”：“101038\/nature21056”，“article-title”：“利用深度神经网络对皮肤癌进行皮肤病学分级”，“卷”：“542”，“作者”：“Esteva”，“年份”：“2017年”，“期刊标题”：“自然”}，{“关键”：“10.1016\/j.patcog.2018.02.026_bib0010”，“series-title”：“IEEE计算机视觉和模式识别会议论文集”，“首页”：“251”，“文章标题”：“SemiContour:一种用于轮廓检测的半监督学习方法”，“author”：“Zhang”，“year”：“2016”}，{“key”：“10.1016\/j.patcog.2018.02.026_bib0011”，“series-title”：“医学图像计算与计算机辅助干预国际会议”，“first page”：”183“，“article-title”：“向高通量显微镜图像分割过渡形状建模”，“作者”：“兴”，“年份”：“2016”}，{“问题”：“5”，“关键”：“10.1016\/j.patcog.2018.02.026_bib0012”，“doi-asserted-by”：“crossref”，“首页”：“530”，“doi”：“101016\/j.acra.2007.0112”，“article-title”：“基于同侧多视图乳房X光片的计算机辅助肿块检测”，“volume”：“14”，“author”：“Qian”，“year”：“2007”，“journal-title”：“Acad.Radiol.”}，{“issue”：“5”，“key”：”10.1016\/j.patcog.2018.02.026_bib0013“，”doi-asserted-by“：”crossref“，“first-pages”：“1131”，“doi”：“10.1088\/0031-9155\/54\/003”，“article-title“：”使用多视图信息改进乳腺图像cad性能：贝叶斯网络框架“，”卷“：“54”，“作者”：“Velikova”，“年份”：“2009”，“期刊标题”：“Phys.Med.Biol.”}，{“key”：“10.1016\/j.patcog.2018.02.026Bib0014”，“非结构化”：“D.L\u00e9vy，A.Jain，使用深度卷积神经网络从乳房X光照片中进行乳房质量分类，arXiv预印本arXiv:1612.00542，（2016）。”}，{“issue”：“4”，“key”：“10.1016\/j.patcog.2018.026Bib0015”，“doi-asserted-by”：“crossref”，“first page”：“2259”，“doi”：“10.1007\/s10916-011-9693-2”，“article-title”：“Discovering maymography-based machine learning classifiers for breast cancer diagnosis”，“volume”：”36“，“author”：“Ramos-Poll\u00e1n”，“year”：“2012”，“journal-title“：J.Med.Syst.”}，{“key”:“10.1016\/J.patcog.2018.02.026_bib0016”，“doi-asserted由“：“crossref”，“first page”：“106”，“DOI”：“10.1016\/j.patcog.2017.05.023”，“article-title”：“基于监督的基于内容的图像检索方法的乳腺肿块计算机辅助诊断”，“volume”：”71“，”author“：”Tsochatzidis“，”year“：”2017“，”journal-title“：”Pattern Recognit.“}，{”key“：”10.1016\/j.petcog.2018.02.026_bib0017“，”DOI-asserted-by“”：“crossref”，“first page”：“648”，“DOI”：“10.1016\/j.patcog.2016.06.021”，“article-title”：“基于两个同心口罩和区分文本的乳房X光片质量分类”，“volume”：”60“，“author”：“Li”，”year“：”2016“，”journal-title“：”Pattern Recognit.“}，{“issue”：“3”，“key”：“”，“first page”：“910”，“DOI”：“10.1109\/JSYST.2013.2286539”，“article-title”：“使用选定的几何和纹理特征以及基于SVM的新特征选择方法对乳房X光片进行质量分类”，“volume”：”8“，“author”：“Liu”，“year”：“2014”，“journal-title“：”IEEE Syst.J.“}，{”issue“：”9“，”key“10.1016\/J.patcog.2018.02.026_bib0019”，“DOI-asserted-by”：“crossref”，“first page”：“1845”，“DOI”：“10.1016\/j.patcog.2009.02.009”，“article-title”：“一种新型软聚类神经网络，用于数字乳房X光照片中可疑区域的分类”，“volume”：”42“，“author”：“Verma”，“year”：“2009”，“journal-title“：”Pattern Recognit.“}，{”key“10.1016 \/j_patcog.2018.02.026_bib0020”，“series-title”：”MICCAI“，“first page”：“106”，“article-title”：“自动学习乳房X光片中乳腺肿块分类的深层特征。”，“volume”：”2“，“author”：“Dhungel”，“year”：“2016”}，{“key”：《10.1016\/j.patcog.2018.02.026_bib0021》，“series-title”：《数字乳房X光成像国际研讨会》，“首页”：“88”，“article-tiple”：“利用深度学习进行乳腺组织分割和乳房X线风险评分”，“author”：“Petersen”，“year”：“2014”}，{“key”：“10.1016\/j.patcog.2018.02.026_sbref0021”，“series-title”：“SPIE Medical Imaging，Strony”，“article-title”：，｛“key”：“10.1016\/j.patcog.2018.02.026_bib0023”，“doi断言者”：“crossref”，“首页”：“248”，“doi”：“10.1016\/j.cmpb.2015.12.014”，“文章标题”：“卷积神经网络乳腺钼靶质量病变分类的表示学习”，“卷”：“127”，“作者”：“Arevalo”，“年份”：“2016”，“期刊标题”：“Comput.Methods Programs Biomed”。｝，{“key”：“10.1016\/j.patcog.2018.02.026_bib0024”，“series-title”：“医学与生物学会工程（EMBC），2015年IEEE第37届国际年会”，“首页”：“797”，“article-title”：《乳腺肿块病变分类的卷积神经网络》，“author”：“Arevalo”，“year”：“2015”}，{：“10.1016\/j.patcog.2018.02.026_bib0025”，“doi-asserted-by”：“crossref”，“first page”：“292”，“doi”：“10.116\/j_patcog.2017.07.008”，“article-title”：“基于乳房X射线照相术的乳腺肿块分类寄生度量学习网”，“volume”：”75“author”：“Jiao”，”“year”：“2017”，“journal-title“：”“Pattern Recognit.”}，{“key”：“10.1016\/j.patcog.2018.02.026_bib0026”，“doi-asserted-by”：“交叉引用”，“首页”：“114”，“doi”：“10.116\/j.media.2017.01.009”，“文章标题”：“在最小用户干预下分析乳房X光片中肿块的深度学习方法”，“卷”：“37”，“作者”：“Dhungel”，“年份”：“2017”，“期刊标题”：《医学图像分析》}，{“问题”：“11”，“关键”：“10.1016\/j.patcog.2018.02.026Bib0027”，“doi断言者”：“crossref”，“第一页”：“1338”，“doi”：“10.1016\/j.acra.2009.05.005”，“文章标题”：“匹配不同视图上描绘的乳房肿块：三种方法的比较”，“卷”：“16”，“作者”：“Zheng”，“年”：“2009”，“期刊标题”：“Acad.Radiol.”}，{“键”：“10.1016\/j.patcog.2018.026Bib0028”，“series-title”：“医学图像计算与计算机辅助干预国际会议”，“首页”：“652”，“文章标题”：“使用预先训练的深度学习模型进行未注册的多视角乳房X光片分析”，“作者”：“Carneiro”，“年份”：“2015”}，{“key”：“10.1016\/j.patcog.2018.02.026_bib0029”，“doi-asserted-by”：“crossref”，“firstpage”：“262”，“DOI”：“10.1016\/j.patcog.2017.12.022”，“article-title”：“利用CT图像进行肺结节类型分类的多视图多尺度CNN”，“volume”：“77”，“author”：“Liu”，“year”：“2018”，“journal-title“：”Pattern Recognit.“}”，{“key”：，2017 IEEE第14届国际研讨会，主题：“，”首页“：”310“，”文章标题“：”使用深度残差神经网络对乳房X光片进行全自动分类“，”作者“：”洪格尔“，”年份“：”2017“}，{“key”：“10.1016\/j.patcog.2018.02.026_bib0031”，“unstructured”：“K.j.Geras，S.Wolfson，S.Kim，L.Moy，K。Cho，利用多视角深度卷积神经网络进行高分辨率乳腺癌筛查，arXiv预印本arXiv:1703.07047，（2017）。“}，{”key“：”10.1016\/j.patcog.2018.02.026_bib0032“，”series-title“：”递归神经网络监督序列标记“，”volume“：“385”，“author”：“Graves”，“year”：“2012”}，“{”key“：神经网络的序列到序列学习”，“author”：“Sutskever”，“year”：“2014”}，{“key”：“10.1016\/j.patcog.2018.02.026_bib0034”，“series-title”：“IEEE计算机视觉和模式识别会议论文集”，“首页”：“4651”，“article-title”：10.1016 \/j.patcog.2018.02.026_bib0035“，“非结构化”：“N.Kalchbrenner，L.Espeholt，K.Simonyan，A.v.d.Oord，A.Graves，K.Kavukcuoglu，线性时间的神经机器翻译，arXiv预印本arXiv:1610.10099，（2016）。“}，{”key“：”10.1016\/j.patcog.2018.02.026_bib0036“，”series-title“：”声学、语音和信号处理（ICASSP），2016 IEEE国际会议，“首页”：“4945”，“文章标题”：“基于端到端注意力的大词汇语音识别”，“作者”：“Bahdanau”，“年份”：“2016”}，“问题”：“C”，“key”：“”10.1016\/j.patcog.2018.02.026_bib0037“，”doi-asserted-by“：”crossref“，”first page“：”73“，”doi“：”10.1016\/j.petcog.2017.01.030“，”article-title“：”在监控场景中使用基于内存的模型进行准确的对象检测“，”volume“：“67”，”author“：”Li“，“year”：“2017”，“journal-title”：“模式识别”。“}，{”key“：”10.1016\/j.patcog.2018.02.026_bib0038“，”series-title“：”AAAI“，”first page“：“2741”，”article-title“：“感知字符的神经语言模型。”，“author”：“Kim”，“year”：“2016”}，“key”：“10.1016\/j.petcog.201802.026_binb0039”，“doi-asserted-by”：“crossref”，“unstructured”：“G.Litjens，T.Kooi，B.E.Bejnordi，A.A.A.Setio、F.Ciompi、M。Ghafoorian，J.A.van der Laak，B.van Ginneken，C.I.S\u00e1nchez，医学图像分析深度学习调查，arXiv预印本arXiv:1702.05747，（2017）。“，”DOI“：”10.1016\/j.media.2017.07.005“}，”{“key”：“10.1016\/j.patcog.2018.02.026_bib0040”，“series-title”：“医学图像计算和计算机辅助干预国际会议”，“首页”：“264”，“文章-标题”：“通过深度时间回归网络识别舒张末期和收缩末期帧”，“作者”：“Kong”，“年份”：“2016”}，{“key“：”10.1016\/j.patcog.2018.02.026_bib0041“，”series-title“：”医学图像计算与计算机辅助干预国际会议“，”首页“：”185“，”article-title“：“肌周分割的空间时钟递归神经网络”，“author”：“Xie”，“year”：“2016”}，{“key”：“10.1016\/j.petcog.2018.026_bib0032”，“series-title“：“医学图像计算与计算机辅助干预国际会议”，“首页”：“317”，“文章标题”：“基于视觉的眼动发育障碍分类”，“作者”：“Pusiol”，“年份”：“2016”}，{“问题”：“7”，”key“：”10.1016\/j.patcog.2018.02.026_bib0043“，”doi-asserted-by“：”crossref“，”first-page:“1761”，“DOI”：“10.1166\/jmihi.2016.186”，“article-title”：“基于组语义特征向量加权集成框架的乳腺肿块诊断（WeGav）”，“volume”：“6”，“author”：“Hong-Yu”，“year”：“2016”，“journal-title“：”J.Med.Imaging Health Inform。“}，{”issue“：”12“，”key“：”10.1016\/j.patcog.2018.02.026_bib0044“，”doi-asserted-by“：”crossref“，”first page“：“2817”，”doi“：”101007\/s00330-008-1076-9“18“，”作者“：”安德森“，”年份“：”2008“，”新闻标题“：”欧洲广播公司。“}，{”key“：”10.1016\/j.patcog.2018.02.026_bib0045“，”series-title“：”医学图像计算和计算机辅助干预国际会议“，”首页“：”442“，”article-title“：“MRI中使用卷积神经网络上基于图形的决策融合进行胰腺分割”，“author”：“Cai”，“year”：“2016”}，”{“issue”：“5”，“key”：“”10.1016\/j.patcog.2018.02.026_bib0046“，”doi-asserted-by“：”crossref“，”first page“：”1285“，”doi“：”10.1109\/TMI.2016.2528162“，“article-title”：“计算机辅助检测的深度卷积神经网络：CNN架构、数据集特征和转移学习”，“volume”：“35”，“author”：“Shin”，“year”：“2016”，“journal-title“：”IEEE Trans。医学成像“}，{“key”：“10.1016\/j.patcog.2018.02.026_bib0047”，“series-title”：“IEEE计算机视觉与模式识别会议论文集”，“首页”：“2818”，“文章标题”：“重新思考计算机视觉的初始架构”，“作者”：“Szegedy”，“年份”：“2016”}，}“问题”：“1”，“key“10.1016”，“j.pattog.2018.02.226_bib 0048”，“doi-asserted-by“：”crossref“，”first page“：”11979“，”doi“：”10.1038\/s41598-017-12320-8“，”article-title“：”使用深度学习对口腔激光显微镜图像中的癌组织进行自动分类“，”volume“：“7”，“author”：“Aubreville”，“year”：“2017”，“journal-title”：“Sci”。代表“}，{”key“：”10.1016\/j.patcog.2018.02.026_bib0049“，”unstructured“：”X.Wang，Y.Peng，L.Lu，Z.Lu，M.Bagheri，R.M.Summers，胸透8：医院规模的胸部X光数据库和常见胸部疾病弱监督分类和定位基准，arXiv预印本arXiv:1705.02315，（2017）。“}”，{“key”：“10.1016\/j.patcog.2018.02.026_bib0050“，“series-title”：“IEEE计算机视觉和模式识别会议论文集”，“首页”：“2921”，“article-title”：“学习区分性定位的深层特征”，“author”：“Zhou”，“year”：“2016”}，{“key”：”10.1016\/j.petcog.2018.026_bib051“，”series-title“：”IEEE国际计算机视觉会议记录”，“首页”：“1395”，“文章标题”：“整体嵌套边缘检测”，“作者”：“谢”，“年份”：“2015”}，{“问题”：“5”，”键“：”10.1016\/j.patcog.2018.02.026_bib0052“，”doi-asserted-by“：”crossref“，”首页“：”898“，”doi“：”101109\/TPAMI.201.161“，”文章标题“：”轮廓检测和分层图像分割”，“卷”：“33”，“作者”：“Arbelaez”，“年份”：“2011年”，“期刊标题”：“IEEE Trans。模式分析。机器。智力。“｝，｛”issue“：”6“，”key“：”10.1016\/j.patcog.2018.02.026_bib0053“，”doi断言“：”crossref“，”首页“：”755“，”doi“：”10.1007\/s40846-016-0182-4“，”文章标题“：”CNN-SVM用于微血管形态类型识别和数据增强“，”卷“：”36“，”作者“：”薛“，”年份“：”2016“，”期刊标题“：”j.Med.Biol.Eng.“｝，｛”key“：”10.1016\/j.patcog.2018.02.026_bib0054“，“series-title”：“用于肝脏分割和病变检测的完全卷积网络”，“author”：“Ben-Cohen”，“year”：“2016”}，{“key”：“10.1016\/j.petcog.201802.026_bb0055”，“series-title”：”Icml“，”first page“：”647“article-title“：”DeCAF:用于通用视觉识别的深度卷积激活功能“，”volume“：”32“，”author“：”Donahue“，”year“：”2014“}，{“key”：“10.1016\/j.patcog.2018.02.026_bib0056”，“series-title”：“医学图像计算和计算机辅助干预国际会议”，“首页”：“605”，“article-title”：”乳腺X光片中肿块分割的深度学习和结构化预测“，”author“”：“Dhungel”，“year”：“”2015“}，{”issue“：”2“，”key“：”10.1016\/j.patcog.2018.02.026_bib0057“，”doi-asserted-by“：”crossref“，”first page“：“550”，”doi“：”101109\/TMI.2015.2481436“，”article-title“：”一个基于自动学习的健壮细胞核分割框架“，”volume“:”35“，”author“：”Xing“，”year“：”2016“，”journal-title”：“IEEE Trans.Med.Imaging”}]，”container-ti“：[”模式识别“]，”original-title“：[]，”language“：”en“，”link“：[{”URL“：”https:\/\/api.elsevier.com/content\/article\/PII:S0031320318300785？httpAccept=text\/xml“，”content-type“：”text\/xml“，”content-version“：”vor“，”intended-application“：”text-mining“}，{”URL“：”http://api.elsevier.com/content\/aarticle\/PII:S005323 0318300785？httpAccept=text\/plain“，”content-type“：”text\/prain“，“content-version”：“vor”，“intended-application”：“text-mining”}]，“deposed”：{“date-parts”：[[2019,10,11]]，“date-time”：“2019-10-11T23:36:36:37Z”，“timestamp”：1570836997000}，“score”：1，“resource”：{primary“URL”：“https:\\/linkinghub.elsevier.com/retrieve\/pii\/S003132 0318300785“}}，”副标题“：[]，”短标题“：[]，”发布“：{“date-parts”：[[2018,8]]}，“references-count”：57，“alternative-id”：[“S0031320318300785”]，“URL”：“http://\/dx.doi.org\/10.1016\/j.patcog.2018.02.026”，“relationship”：{}，”ISSN“：[”0031-3203“]，”ISSN-type“：[{”value“：”0031-3023“，”type“:”print“}]，“subject”：[]，“published”：{“date-parts”：[[2018,8]]}，“assertion”：[{“value”：“Elsevier”，“name”：“publisher”，“label”：“本文由”}，{“value”：“通过深度整合多视图数据的上下文信息进行乳房肿块分类”，“name”：“articletite”，“标签”：“文章标题”}name”：“articlelink”，“label”：“CrossRef DOI链接到出版商维护的版本”｝，｛“value”：“article”，“name”：“content_type”，“label”：“content type”｝，｛“value”：“\u00a9 2018 Elsevier Ltd.保留所有权利。”，“name”：“copyright”，“label”：“copyright”｝]｝