使用回歸式整合模型去估測分數布朗表面的赫斯特指數

在機器學習中，碎形維度或其對應的赫斯特指數經常擔任特徵的角色。隨著深度學習的進步，許多研究人員毋需事先擷取影像特徵即可進行疾病分類。然而，經前一期的研究證明，特徵工程對深度學習仍具有相當的影響力。該計畫證明，將原始影像當作第一種模態輸入，再將原始影像轉換成赫斯特指數圖以做為第二種模態輸入，接著整合兩種模型的影像特徵，可以獲得更好的辨識率。因此，準確地估測赫斯特指數可提升醫學影像的辨識率，以節省因錯誤辨識造成的醫療開銷。此外，此計畫所提出的多流模型用於單一資料集的用法，有助於研究人員在有限的資源(資料集)下，善用各類團隊提出的預訓練模型以持續增加最終性能，將對學術界提供一條嶄新的研究路徑。