医学影像疾病诊断的残差神经网络优化算法研究进展

发布时间：2021-06-27 19:12

　　残差神经网络（residual neural network,ResNet）及其优化是深度学习研究的热点之一,在医学图像领域应用广泛,在肿瘤、心脑血管和神经系统疾病等重大疾病的临床诊断、分期、转移、治疗决策和靶区勾画方面取得良好效果。本文对残差神经网络的学习优化进行了总结:阐述了残差神经网络学习算法优化,从激活函数、损失函数、参数优化算法、学习衰减率、归一化和正则化技术等6方面进行总结,其中激活函数的改进方法主要有Sigmoid、tanh、ReLU、PReLU（parameteric ReLU）、随机化ReLU（randomized leaky ReLU, RReLU）、ELU （exponential linear units）、Softplus函数、NoisySoftplus函数以及Maxout共9种;损失函数主要有交叉熵损失、均方损失、欧氏距离损失、对比损失、合页损失、Softmax-Loss、L-Softmax Loss、A-Softmax Loss、L2 Softmax Loss、Cosine Loss、Center Loss和焦点损失共12种;学习率衰减总结了8种,即分段常... 

【文章来源】：中国图象图形学报. 2020,25(10)北大核心CSCD

【文章页数】：14 页

【部分图文】：

残差神经网络学习算法改进

反时限衰减

图4 分段常数、指数、自然指数衰减对比图

【参考文献】：
期刊论文
[1]基于深层卷积残差网络集成的黑色素瘤分类方法[J]. 胡海根,孔祥勇,周乾伟,管秋,陈胜勇.  计算机科学. 2019(05)
[2]基于残差网络的糖网病自动筛查[J]. 邹北骥,张子谦,朱承璋,陈昌龙,刘佳,欧阳平波.  计算机辅助设计与图形学学报. 2019(04)
[3]基于多尺度特征结构的U-Net肺结节检测算法[J]. 朱辉,秦品乐.  计算机工程. 2019(04)
[4]基于双激活层深度卷积特征的人脸美丽预测研究[J]. 甘俊英,翟懿奎,黄聿,曾军英,姜开永.  电子学报. 2019(03)
[5]跨模态医学图像预测综述[J]. 周沛,陈后金,于泽宽,彭亚辉,李艳凤,杨帆.  电子学报. 2019(01)
[6]基于深度学习的癌症计算机辅助分类诊断研究进展[J]. 肖焕辉,袁程朗,冯仕庭,罗宴吉,黄炳升.  国际医学放射学杂志. 2019(01)
[7]基于多尺度残差神经网络的阿尔茨海默病诊断分类[J]. 刘振丙,方旭升,杨辉华,蓝如师.  山东大学学报(工学版). 2018(06)
[8]基于改进深度残差网络的低功耗表情识别[J]. 杜进,陈云华,张灵,麦应潮.  计算机科学. 2018(09)
[9]基于PSO-ConvK卷积神经网络的肺部肿瘤图像识别[J]. 梁蒙蒙,周涛,夏勇,张飞飞,杨健.  山东大学学报(工学版). 2018(05)
[10]基于密集网络改进的肺结节良恶性分类模型[J]. 戴垚均,闫士举,宋成利.  中国医学影像技术. 2018(07)



本文编号：3253440