基于卷积神经网络的脑部CT智能辅助诊断分析方法研究

摘要

针对临床医学工作量大、诊断效率较低的问题,基于深度学习理论对计算机辅助诊断分析方法进行了研究.基于传统神经网络的结构,引出更深层次的卷积神经网络(CNN),对该网络中的卷积、池化操作进行深入的讨论,引入方差代价函数实现网络误差的反向传播训练.在仿真实验的设计上,基于临床的脑部CT数据库,考虑到医学影像数据的特殊性,对CNN网络的结构进行了定制,设计包含一个输入层,7个卷积层,5个池化层与3个全连接层的网络结构.与Alex-Net网络的对比测试实验结果表明,提出的网络结构对脑部疾病CT的分类准确率可达69.28％,AUC为0.53,在性能上有一定的提升;在具体脑部疾病的识别上,对脑肿瘤的识别精度可达到86.5％.