基于深度學(xué)習(xí)的醫(yī)學(xué)圖像標注模型構(gòu)建研究.pdf

1、利用深度學(xué)習(xí)方法輔助醫(yī)學(xué)圖像信息處理是屬于人工智能技術(shù)在醫(yī)學(xué)領(lǐng)域的應(yīng)用與研究?；隗w素的腦腫瘤圖像分割任務(wù)最重要的工作是對腦腫瘤組織區(qū)域像素實現(xiàn)高精度的分類。但是由于腦腫瘤出現(xiàn)在大腦的空間位置具有隨機性，利用傳統(tǒng)的分割方法具有一定的局限性，并且準確度也不能滿足現(xiàn)實要求。為解決以上問題，充分利用深度學(xué)習(xí)方法強大的非線性表征能力，并能夠理解圖像更深層次的信息；本文利用深度學(xué)習(xí)方法中的卷積神經(jīng)網(wǎng)絡(luò)模型處理腦腫瘤圖像的分類標注任務(wù)；并對訓(xùn)練過程

2、中參數(shù)優(yōu)化過程做出了改進。
　　首先介紹了卷積神經(jīng)網(wǎng)絡(luò)的在圖像處理領(lǐng)域的原理以及操作方法。然后在兩路卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)的基礎(chǔ)上，對本地通路技巧性的設(shè)置了12層卷積；在考慮到像素區(qū)域標簽之間的依賴性時，模擬條件隨機場的情況，設(shè)計了輸入串聯(lián)結(jié)構(gòu)；對于解決輸入像素區(qū)域受限的問題，設(shè)計了多池化輸入模型；最后通過實驗，準確度達到83％，驗證了模型改進的有效性。然后對不同的梯度下降法原理進行了介紹，然后提出改進型Adam算法，并使用它來適應(yīng)性地