10、医学图像分析中深度学习模型的性能提升与主动自定步学习策略

医学图像分析中深度学习模型的性能提升与主动自定步学习策略

1. 提升深度卷积神经网络在医学图像中的性能

在医学图像分析中，提升深度卷积神经网络（Deep CNN）的性能是一个关键问题。由于我们试图针对可用数据优化所选模型，因此增加训练数据并非解决之道。此外，在计划用较少训练图像评估多个模型时，也不适合使用更多数据。为防止模型过拟合并提高其性能，可采取以下步骤。

1.1 模型架构修改

• 具体操作 ：
  • 用前一个卷积层中步长为 2 的操作替换最大池化层。
  • 移除上采样层，并将其后的第一个卷积层替换为步长为 2 的转置卷积层。
• 优点 ：这些改变不影响参数数量，但减少了计算量，还使尺寸变化操作可训练（尤其是上采样过程）。在基本模型中，增加批量大小会导致 GPU 内存错误，改变学习率时模型无法收敛。而新架构使用批量大小为 3 和其他学习率时，不会出现收敛或内存问题，且结果略优于基本模型。

1.2 优化算法选择

• 原算法问题 ：3D U - Net 模型使用 SGD 优化算法，但近期研究表明，自适应学习率算法可帮助模型更快收敛，避免陷入鞍点。
• 新算法选择 ：我们选择 Adam 优化算法，因为它计算高效、内存需求少，且在 CNN 模型中表现有效。Adam 是 RMSprop 和动量技术的结合，对于其两个可调参数 β1 和 β2，分