李祥霞，谢 娴，李 彬，尹 华，许 波，郑心炜

1.广东财经大学 信息学院，广州510320

2.华南理工大学 自动化科学与工程学院，广州510641

医学图像处理是计算机视觉领域的一个热门研究问题之一，医学图像是开展与医学相关问题研究的基础，其中对图像数据的处理和有效分析更是直接影响到医生对患者所患疾病的判断和治疗。近年来，随着医学成像技术和设备的不断发展，大量的包含丰富病理相关影像信息的医学数字图像随之产生，因此需要处理的数据量也越来越大。面对庞大且复杂的医学影像数据，如何实时且有效地对医学影像大数据做进一步处理、分析和挖掘，如何从这些图像中提取出潜在有用的特征，是研究者们亟待处理的问题。

传统的图像处理方法通常是通过放射科医生从医学图像中手工提取有用的影像信息，这不仅耗时费力，还有着个人主观性，易出现误诊、漏诊的现象[1]。因此，这种方式已经不能满足现阶段的医疗需求，为此出现了大量的图像处理的新技术。深度学习（Deep Learning，DL）近年来已经在医学图像处理范畴中取得了突飞猛进的发展[2]。从现阶段的研究观察到卷积神经网络（Convolutional Neural Network，CNN）是应用于图像处理范畴上较为成功的深度学习模型之一，其通过构造CNN，对数据采用层层训练，利用各层的特征表达，来自动提取对高层特征，有效地解决了人为提取图像特征所造成的问题，因此能够提升诊断的效率和准确率[3]。但是，CNN模型由于具有结构复杂度高、参数规模庞大等特点，往往需要大量的有标签数据来训练模型，而这些标签数据获取是非常耗时费力且易产生误差，同时数据又不断进行更新，导致模型出现过拟合或欠拟合问题[4]。……