29、交互式TUDIG应用：基于级联CNN与LBP特征的脑肿瘤检测

交互式TUDIG应用：基于级联CNN与LBP特征的脑肿瘤检测

在医学领域，准确的脑肿瘤检测对于后续的临床评估、诊断和治疗至关重要。本文将详细介绍一种基于局部二值模式（LBP）特征和级联卷积神经网络（CNN）的交互式窗口应用程序TUDIG，该应用可有效检测脑磁共振成像（MRI）中的肿瘤。

1. 图像特征提取与分类基础

在图像分类任务中，通常会将图像输入到由卷积层和池化层组成的堆叠结构中。卷积层用于提取图像特征，而池化层则负责降低特征维度，减少计算复杂度。最后，提取的特征维度会转换为单个向量，用于预测每个输入图像的逐像素概率。
- 全连接层（FC） ：该层接收前一层的输入，并将其展平为一维向量，用于预测类标签的一对一像素概率。全连接层中的一维卷积操作通过训练对不同类别的图像进行分类。该层包含权重、偏置和神经元等参数，每个输入神经元与权重和偏置相结合，产生一维特征向量作为输出。在全连接层的末尾，使用softmax或逻辑函数进行所需的分类预测。softmax用于多类预测，而逻辑函数用于二元类预测。
- Softmax分类 ：全连接层的输出用于进行类别的逐像素预测。这种分类技术用于计算每个类别的概率，是逻辑回归中二元分类的推广。Softmax将第一类的行值设为0，第二类设为1。该方法接收输入x，并将其与类标签映射，用于肿瘤预测。以下是所提出方法中使用的层配置：

层	类型	步长值	滤波器大小	滤波器数量