《表1 测试结果：基于深度学习的神经影像研究与应用》

  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

《基于深度学习的神经影像研究与应用》

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

首先，我们需要建立神经图像数据库，并借助于专家的力量，给每张图片打上标签[6]。在输入到深层网络之前，需要将图片统一转换为32×32大小。然后进行独热编码，以“0”代表肿瘤良性，以“1”代表肿瘤恶性。接着将图片的三通道取平均值转为单通道，方便后续处理。在完成数据的预处理后，对神经网络进行初始化，对连接层权重基于高斯分布赋值。接着开始模型训练，模型优化函数采用自适应矩估计（Adaptive Moment Estimation），简称Adam算法[7]。传统的梯度下降算法在训练过程中保持学习速率不变，而Adam算法在迭代会不断调整学习速率，因此训练效果更好。为了进一步优化模型，这里引入正则化（Regularization）和随机失活（Dropout）技术。我们选用L2正则项加入损失函数，它能有效地避免模型的过拟合。Dropout技术是指在训练阶段以给定的概率随机丢掉一些节点，从而提升模型的泛化能力。最后不断调整参数，提高模型的识别能力，并输入测试集进行测试，结果如表1所示。