15、医学影像与神经刺激中的智能算法应用

医学影像与神经刺激中的智能算法应用

在医学领域，利用先进的技术和算法进行疾病诊断和治疗方案的优化是当前的研究热点。本文将介绍两种不同的医学应用，一种是基于深度卷积神经网络的肺结节分类，另一种是用于估计组织激活体积的分层 K 近邻方法。

基于深度卷积神经网络的肺结节分类

在肺结节分类方面，研究者采用了深度卷积神经网络（CNN）。以下是该方法的详细介绍：
- 网络结构与正则化 ：在卷积层使用丢弃率为 0.25 的丢弃正则化，在全连接层使用丢弃率为 0.5 的丢弃正则化。最后一层的输出连接到一个 softmax 层，用于生成两类的分布。
- 学习过程
- 优化算法 ：使用带有 Nesterov 动量的随机梯度下降（SGD）进行学习。
- 权重初始化 ：各层的权重使用 Saxe 等人提出的正交随机矩阵初始化程序进行初始化。
- 学习率调整 ：当测试集上的误差停止改善时，降低学习率，共降低三次。
- 样本平衡 ：受 Yan 等人工作的启发，在训练步骤中平衡每个批次中正负样本的数量。正样本随机选择批次大小的一半，负样本迭代选择批次大小的一半。在每次 SGD 迭代中，正负样本在输入 CNN 之前会进行扰动。
- 相邻拒绝 ：使用训练好的 CNN 来测量候选结节的概率。由于一个正样本可能对应多个候选结节，因此使用与文献中相同的相邻拒绝规则，通过保留在 22 毫米径向邻域内具有最大检测概