第一个书签之前
图1-1 传统医学图像识别方法框图
Figure 1-1 The frame of traditional image recogni
图2-1 深度学习基本思想[31]
表2-1 浅层学习与深度学习的对比
Table 2-1 Shallow Learning vs. Deep Learning
图2-2 一个画成马尔可夫网络形式的RBM
图2-3 深度信念网络模型
图2-4 DBN用于样本分类示意图
图2-5 深度玻尔兹曼机模型
图2-6 重新排列为显示为二分图结构的深度波尔兹曼机
图2-7 卷积神经网络结构示意图[40]
图2-8 二维卷积计算示意图
图2-9 Sigmoid和tanh函数示意图
图2-10 局部连接与全连接
图2-11 参数共享
图2-12 BP网络及算法中的变量符号
图3-1 自适应卷积神经网络模型
图3-2 乳腺钼靶X线图像:(a)左乳腺头足位LCC缩略图;(b)左乳腺侧斜位LMLO缩略图;(c
图3-3 图像预处理示意图
图3-4 (a)9幅包含良性肿瘤的ROI;(b)9幅包含恶性肿瘤的ROI
图3-5 自适应卷积神经网络结构图
图3-8 9种不同配置的识别精度
表3-1 不同CNN模型实验结果对比
图3-9 不同CNN模型的ROC曲线对比图
表3-2 BN算法作用在PReLU前后的识别性能对比
表3-3 与经典卷积神经网络模型的识别效果对比
Table 3-3 Comparison with the recognition effect
图3-10 与经典CNN模型的ROC曲线对比图
图4-1 多尺度最大池化策略示意图
图4-2 多尺度自适应卷积神经网络模型结构示意图
表4-1 采用两种池化策略的CNN模型识别效果对比
Table 4-1 Comparison of CNN model recognition e
表4-2 三种自适应学习率算法的具体超参数配置
表4-3 不同自适应学习率算法训练CNN的识别效果对比
图4-3 不同自适应学习率算法训练CNN的ROC曲线对比
Convolutional layer C1 Convolutional
Multi-crop max pooling layer S2 Multi-crop max po
图4-4 卷积和多尺度最大池化操作后的特征映射图
图4-5 MC-CNN-BN-PReLU对图像类别预测的部分代码
表4-4 与其他识别方法的比较