基于改进Adam优化器的CNN电镜医学图像分类
2019-03-13汪友明徐攀峰
西安邮电大学学报 2019年5期
汪友明, 徐攀峰
(西安邮电大学 自动化学院, 陕西 西安 710121)
电子显微镜(电镜)向固体样本发射具有一定能量的电子束,与样本原子的原子核和电子发生弹性和非弹性散射,激发样本产生多种物理信号,从而产生电镜图像。应用于医疗领域的电镜医学图像为疾病的诊断提供了科学的依据,在疾病的诊断中起着举足轻重的作用。
随着技术的发展、患病人数的增长以及疾病种类的增多,使得电镜医学图像数据呈爆炸式增长,大量的医学图像只有经过科学地分类才能利用计算机技术对医学图像进行分析、计算和处理,才能从医学图像中挖掘出蕴含在图像内丰富的特征信息和规则,辅助医生进行临床诊断。
近年来,随着深度学习的提出,神经网络方法成为最常用的图像分类方法之一[1]。针对人为设计模型的不完备性[2-4],深度学习采用机器学习的方式对数据进行表征学习[5],将对图像特征的学习融入到建立模型的过程中,通过构建具有多隐层的网络学习模型和训练大量数据样本,来获取有用的特征,从而提升图像分类的准确性。
卷积神经网络(convolutional neural networks, CNN)算法包含卷积计算且具有深度结构的神经网络(neural networks, NN),是深度学习(deep learning)的代表算法之一,近些年来被应用于电镜医学图像的分类之中,如分类霍乱和流行疟疾的微观图像[6]、鼻腔细胞学制剂细胞图像[7]、细胞图像的分类与跟踪[8]等。或者利用将CNN算法与递归神经网络(recurrent neural network, RNN)算法相结合的CNN-RNN图像分类算法[9],实现医学图像分类。……
登录APP查看全文
