丘致榕

（福建师范大学,福建 福州 350001）

1 3D-ResNet网络建模

本文的基准网络为ResNet-34，卷积层基本都采用了3x3x3的过滤器并遵循了两个设计原则：（1）如果输出的特征图大小相同，那么每层的过滤器数目也相同。（2）如果特征图的大小减半，那么过滤器的数量翻倍，保持每层的时间复杂度不变。在网络的最后，经过全局池化层和全连接的softmax层。在基准网络的基础上，我们加入快捷连接就得到了对应的残差版本。快捷连接仍然采用恒等映射，对于维度增加的用零补齐。这种方法不会增加额外的参数，并采用1x1卷积来匹配尺寸。

ResNet-34是由若干残差块组成的网络，每个残差块的输入先经过卷积层，再通过与之匹配的归一化层，随后经过一个激活层，再经过一个同样的结构[1]。

2 网络优化

本文获取了pMCI 159例和sMCI 121例样本的核磁共振成像，每一例样本经过前联合—后联合校正（AC-PC）、强度非均匀校正（N3）、去头骨、配准到标准模板和重采样的预处理后得到去头骨图像、灰质图像、白质图像三个模态的图像数据。随机选取179例作为训练集样本，45例作为验证集样本，56例作为测试集样本[2]。对模型采取五折交叉验证的方式选取分类器的最优参数。以0.01步长作为阈值绘制模型的ROC曲线以评价模型效果，并分析模型的ACC（准确率），SEN（敏感度），SPE（特异性），AUC（ROC曲线下方面积）四个指标。

针对模型的过拟合问题，我们加入了L2正则化，优化前后模型的Loss变化趋势如图1所示。

图1 L2正则化加入前后的损失变化趋势

其中实线为加入L2正则化手段前的Loss趋势，而虚线为加入L2正则化手段后的Loss趋势，可以发现加入L2正则化后模型的Loss下降趋缓，可以迫使模型尽可能少地学习到与问题无关的特征信息，一定程度上缓解模型过拟合的问题。……