文献类型：期刊文章

作　　者：梁蒙蒙[1] 周涛[2,3] 张飞飞[1] 杨健[1] 夏勇[4]

LIANG Mengmeng;ZHOU Tao;ZHANG Feifei;YANG Jian;XIA Yong(School of Public Health and Management,Ningxia Medical University,Yinchuan 750004,P.R.China;School of Computer Science and Engineering,North Minzu University,Yinchuan 750004,P.R.China;School of Science,Ningxia Medical University,Yinchuan 750004,P.R.China;School of Computer Science,Northwestern Polytechnical University,Xi'an 710072,P.R.China)

机构地区：[1]宁夏医科大学公共卫生与管理学院,银川750004 [2]北方民族大学计算机科学与工程学院,银川750004 [3]宁夏医科大学理学院,银川750004 [4]西北工业大学计算机学院,西安710072

出　　处：《生物医学工程学杂志》

基　　金：国家自然科学基金资助项目(61561040);陕西省教育厅项目(2013JK1142)

年　　份：2018

卷　　号：35

期　　号：6

起止页码：977-985

语　　种：中文

收录情况：BDHX、BDHX2017、CAS、CSA、CSA-PROQEUST、CSCD、CSCD_E2017_2018、EI、EMBASE、IC、JST、PUBMED、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：卷积神经网络(CNN)是机器学习研究中的热点,在医学图像应用中具有一定价值。本文首先介绍了CNN基本原理,其次综述了其在网络结构的改进:在模型结构方面,总结了CNN的11种经典模型,并以时间顺序梳理发展进程;在结构优化方面,从CNN的5个方面(输入层、卷积层、下采样层、全连接层以及整个网络)总结研究进展。然后,对学习算法从优化和融合两个方面进行归纳:优化算法方面,根据优化目的(提高准确率、防止过拟合、防止局部最值、提高收敛速度)梳理算法的进展;方法融合方面,分别从输入层、卷积层、下采样层、全连接层和输出层共5个角度进行归纳。最后,将CNN映射到医学图像领域,结合计算机辅助诊断探讨CNN在医学图像中的应用。本文对CNN进行了较为全面系统地总结,对CNN的研究发展具有积极意义。

关 键 词：卷积神经网络 网络结构 学习算法 医学图像

分 类 号：TP391.41] TP183[计算机类]