权重初始化-滑动窗口CNN的医学图像分类

摘要：

深度学习在医学图像分类应用过程中存在以下问题:一是无法针对医学图像性质构建深度学习模型层级;二是深度学习模型网络初始化权重未能得到较好优化.为此,首先从网络优化角度出发,通过优化方法提高网络的非线性建模能力,提出了一种新的网络权重初始化方法,缓解了现有深度学习的初始化理论受限于非线性单元类型的问题,增加了神经网络处理不同视觉任务的潜力.同时,为了充分利用医学图像的特性,通过对多列卷积神经网络框架进行深入研究,发现通过改变卷积神经网络不同层次的特征数目和卷积核大小,可以构建不同的卷积神经网络模型,以更好地适应待处理医学图像的医学特性,并训练得到的异构多列卷积神经网络.最后,利用提出的一种自适应的滑动窗口融合机制,共同完成医学图像的分类任务.基于上述思想,提出了一种基于权重初始化-多层卷积神经网络滑动窗口融合的医学分类算法.利用提出方法对乳腺肿块分类、脑肿瘤组织分类实验和医学图像数据库分类分别进行实验,实验结果表明,所提方法不仅平均准确率较传统机器学习、其他深度学习方法有明显提高,而且具有较好的稳定性和鲁棒性.

关键词：深度学习、权重初始化、滑动窗口、卷积神经网络(CNN)、医学图像分类

所属期刊栏目：16

分类号：TP751(遥感技术)

资助基金：国家自然科学基金;江苏省自然科学基金;中国博士后科学基金

在线出版日期：2022-08-22（万方平台首次上网日期，不代表论文的发表时间）

页数：共13页

页码：1885-1897