《表1 Res Net 50的具体结构》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于深度学习的乳腺数字化X线BI-RADS密度分类的研究》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

卷积神经网络（convolutional neural networks，CNN）作为深度学习的经典网络，已经在医学图像中表现出了良好的分类性能，其具有极强的适应性，善于挖掘数据局部特征，提取全局数据特征和分类，CNN通常包括以下几种层:卷积层，线性整流层，池化层和全连接层，常见的CNN架构是堆叠几个卷积层和整流层，再加一个池化层，然后使用全连接层控制输出。在此基础上搭建不同的网络模型，例如Lenet、Alexnet、Resnet等模型。网络的深度对模型的性能至关重要，网络层数的增加，可进行更复杂的特征提取，理论上是可以取得更好的成果，然而实际上随着网络深度增加出现了网络退化问题，深层的网络存在梯度消失或者梯度爆炸的问题，使得深度学习模型难以进行训练。医学图像的特殊性要求网络不断进行加深，所以本研究采用CNN基础上更深层次的网络模型:深度残差网络（deep residual network，ResNet）中的ResNet 50（见表1），该模型特征之处在于，在网络加深的基础上采用特有的残差网络块通过恒等映射解决了网络性能退化的问题，并同时减少了运算的参数量，其次归一原始化有效解决了随着网络加深出现的梯度消失问题，并使网络收敛。因此采用ResNet 50模型，能更好地训练更深层的CNN，提高图像分类和目标检测的准确性。