Resumen

Debido a la complejidad de las imágenes médicas, los métodos tradicionales de clasificación de imágenes médicas no han podido satisfacer las necesidades reales de aplicación. En los últimos años, el rápido desarrollo de la teoría de aprendizaje profundo ha proporcionado un enfoque técnico para resolver tareas de clasificación de imágenes médicas. Sin embargo, el aprendizaje profundo tiene los siguientes problemas en la clasificación de imágenes médicas. Primero, es imposible construir una jerarquía de modelo de aprendizaje profundo para las propiedades de la imagen médica; segundo, los pesos de inicialización de la red de modelos de aprendizaje profundo no están bien optimizados. Por lo tanto, este documento parte desde la perspectiva de la optimización de la red y mejora la capacidad de modelado no lineal de la red a través de métodos de optimización. Se propone un nuevo método de inicialización de pesos de red, que alivia el problema de que la inicialización del modelo de aprendizaje profundo existente está limitada por el tipo de unidad no lineal adoptada y aumenta el potencial de la

• Materias:Modelo de tráfico Sistemas antifrágiles Sistemas multiagente Componentes complejos
• Subjects:Traffic model Anti-fragile systems Multiagent systems Complex components
• Palabras claves:Clasificación de imágenes médicas; Teoría del aprendizaje profundo; Optimización de redes; Red neuronal convolucional; Inicialización de pesos; Fusión de ventanas deslizantes
• Keywords:Medical image classification; Deep learning theory; Network optimization; Convolutional neural network; Weight initialization; Sliding window fusion