多卷积神经网络在医学图像分类中的应用研究 蒋健.pdf

第 38 卷 第 6 期 福 建 电 脑 Vol. 38
2022 年 6 月 共振
图像、病理图像和磁共振图像等）已成为疾病诊断 图像进行疾病分类诊断，取得的较好的效果[4]。
和治疗的关键依据[1-3]。随着医学图像的大量使用， Hashimoto 等运用卷积神经网络对病理图像进行肿
医生的工作负担进一步加大，医生的人手不足问题 瘤亚型分类，分类准确率优于普通病理医生[5]。这
进一步加剧。为了缓解矛盾，有必要构建计算机辅 些研究对微小病变的早期诊断具有重要意义。
助分类系统。该系统可以为医生提供补充性的客观 VGGNet、ResNet、DenseNet 等深度卷积神经
建议，帮助他们根据医学图像进行快速诊断分类。 网络[6-8]，通过采用不同的卷积核和网络结构，从不
传统的计算机分类系统需要手动选择图像特征，并 同的角度提取图像的特征并进行分类，取得较好的
需要大量调整以适应不同的任务，造成该分类系统 分类效果。然而，在医学图像分类任务中，深度学
———————————————
本文得到台州市大学生科技创新项目深度学****算法在新冠肺炎图像分类中的比较研究和台州市科技计划项目基于深度学****的皮肤病辅助诊疗系统关
键技术研究（）资助。蒋健，男，2001年12月生，主要研究领域为医学图像处理。郭文平(通信作者)，男，1978年2月生，主要研究领域
为医疗大数据分析。E-mail: ******@。2022 年 福 建 电 脑 51 题。与自然图像不同，为海量医学图像打标签非常 2017 年提出。该网络不同于 ResNet 只在残差块内
昂贵和耗时。因此，由于缺少足够多的标记良好的 跃层连接，而是所有层之间都有连接。这样可以改
医学图像数据集，训练的深度神经网络通常会出现 善各层之间信息流，缓解梯度消失问题。
过拟合问题，使得训练模型很难推广到新的任务。 DenseNet 的密集块结构如图 2