残差神经网络及其在医学图像处理中的应用研究
Research on Residual Neural Network and Its Application on Medical Image Processing
查看参考文献69篇
|
文摘
|
残差神经网络(ResNet)是近几年来深度学习研究中的热点,在计算机视觉领域取得较好成就.本文对残差神经网络从以下几个方面进行总结:第一,阐述残差神经网络的基本结构和工作原理;第二,在模型发展方面,以时间为顺序总结了残差神经网络的8种网络模型;第三,在结构优化方面,从残差神经网络的卷积层、池化层、残差单元、全连接层以及整个网络5个方面进行总结;最后,将ResNet应用到医学图像处理领域,主要从图像识别和图像分割2个方面探讨.本文对残差神经网络的原理、模型、结构进行了系统地总结,对残差神经网络的研究发展具有一定的积极意义. |
|
其他语种文摘
|
Residual neural network(ResNet)has witnessed tremendous amount of attention in deep learning research over the last few years and has made great achievements in computer vision.In this paper,the ResNet is summarized in the following aspects:Firstly,the basic structure and working principle of the ResNet are expounded;Secondly,in model development,the eight network models of the ResNet are summarized in time sequence;Thirdly,in structural optimization,the research progress is described from five aspects of ResNet,including convolutional layer,pooling layer,residual unit,fully connected layer and the whole network;Finally,the application of ResNet in medical images processing is mainly discussed from two aspects of image recognition and image segmentation.In this paper,the principles,models,and structures of ResNet are systematically summarized,which has positive significance to the research and development of ResNet. |
|
来源
|
电子学报
,2020,48(7):1436-1447 【核心库】
|
|
DOI
|
10.3969/j.issn.0372-2112.2020.07.024
|
|
关键词
|
残差神经网络
;
网络结构
;
医学图像
|
|
地址
|
1.
北方民族大学计算机科学与工程学院, 宁夏, 银川, 750021
2.
宁夏医科大学理学院, 宁夏, 银川, 750004
3.
宁夏智能信息与大数据处理重点实验室, 宁夏智能信息与大数据处理重点实验室, 宁夏, 银川, 750021
4.
宁夏医科大学公共卫生与管理学院, 宁夏, 银川, 750004
|
|
语种
|
中文 |
|
文献类型
|
研究性论文 |
|
ISSN
|
0372-2112 |
|
学科
|
自动化技术、计算机技术 |
|
基金
|
国家自然科学基金
;
宁夏高等学校一流学科建设(数学学科)
;
北方民族大学引进人才科研启动项目
;
宁夏312优秀人才项目
;
北方民族大学创新创业项目
|
|
文献收藏号
|
CSCD:6770213
|
参考文献 共
69
共4页
|
|
1.
肖焕辉. 基于深度学习的癌症计算机辅助分类诊断研究进展.
国际医学放射杂志,2019,42(1):22-25
|
CSCD被引
1
次
|
|
|
|
|
2.
He K M. Deep residual learning for image recognition.
Proceedings of the 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR),2016:770-778
|
CSCD被引
52
次
|
|
|
|
|
3.
田娟秀. 医学图像分析深度学习方法研究与挑战.
自动化学报,2018,44(3):401-424
|
CSCD被引
61
次
|
|
|
|
|
4.
Wells III W M. Medical image analysis-past,present,and future.
Medical Image Analysis,2016,33:4-6
|
CSCD被引
2
次
|
|
|
|
|
5.
Geert Litjens. A survey on deep learning in medical image analysis.
M edical Image Analysis,2017,42:60-88
|
CSCD被引
267
次
|
|
|
|
|
6.
.
AI医疗影像辅助诊断系统发展研究报告
|
CSCD被引
1
次
|
|
|
|
|
7.
Andreas Maier. A gentle introduction to deep learning in medical image processing.
Computer Vision and Pattern Recognition,2019,29(2):86-101
|
CSCD被引
1
次
|
|
|
|
|
8.
Nibali A. Pulmonary nodule classification with deep residual networks.
Int J Comput Assist Radiol Surg,2017,12:1799-1808
|
CSCD被引
16
次
|
|
|
|
|
9.
亢寒. 基于深度学习的医学图像分割技术.
人工智能,2018,4:30-37
|
CSCD被引
1
次
|
|
|
|
|
10.
Michal Drozdzal. The importance of skip connections in biomedical image segmentation.
arXiv:1608.04117,2016
|
CSCD被引
1
次
|
|
|
|
|
11.
He K. Identity mappings in deep residual networks.
Proceedings of the 2016 Computer Vision-ECCV 14th European Conference,2016:630-645
|
CSCD被引
2
次
|
|
|
|
|
12.
梁蒙蒙. 卷积神经网络及其在医学图像分析中的应用研究.
生物医学工程学杂志,2018,35(6):977-985
|
CSCD被引
10
次
|
|
|
|
|
13.
Lecun Y. Gradient-based learning applied to document recognition.
IEEE,1998,86(11):2278-2324
|
CSCD被引
2122
次
|
|
|
|
|
14.
Krizhevsky A. ImageNet classification with deep convolutional neural networks.
International Conference on Neural Information Processing Systems,2012:1097-1105
|
CSCD被引
279
次
|
|
|
|
|
15.
Szegedy C. Going deeper with convolutions.
Proceedings of the 2015 IEEE Conference on Computer Vision and Pattern Recognition,2015:1-9
|
CSCD被引
160
次
|
|
|
|
|
16.
Ke Zhang. Review:RoR-ResNet of ResNet/Multilevel ResNet (Image Classification).
arXiv:1608.02908,2017
|
CSCD被引
1
次
|
|
|
|
|
17.
Zagoruyko S. Wide residual networks.
Proceedings of the 2016 British Machine Vision Conference,2016:1-12
|
CSCD被引
1
次
|
|
|
|
|
18.
Sasha Targ. Resnet in resnet:generalizing residual architectures.
arXiv:1603.08029
|
CSCD被引
1
次
|
|
|
|
|
19.
Gao Huang. Deep networks with stochastic depth.
arXiv:1603.09382,2016
|
CSCD被引
1
次
|
|
|
|
|
20.
Gao Huang. Densely connected convolutional networks.
arXiv:1608.06993,2017
|
CSCD被引
1
次
|
|
|
|
|
了解气象卫星更多信息，请访问