Resumen

La segmentación de imágenes médicas es una tecnología clave para la orientación de imágenes. Por lo tanto, las ventajas y desventajas de la segmentación de imágenes juegan un papel importante en la cirugía guiada por imágenes. Los métodos tradicionales de aprendizaje automático han logrado ciertos efectos beneficiosos en la segmentación de imágenes médicas, pero tienen problemas como baja precisión de clasificación y poca robustez. La teoría del aprendizaje profundo tiene una buena capacidad de generalización y extracción de características, lo que proporciona una nueva idea para resolver problemas de segmentación de imágenes médicas. Sin embargo, el aprendizaje profundo tiene problemas en cuanto a su aplicación a la segmentación de imágenes médicas: uno es que la estructura de red de aprendizaje profundo no se puede construir de acuerdo con las características de la imagen médica; el otro es que la generalización del modelo de aprendizaje profundo es débil. Para abordar estos problemas, este artículo primero adapta una red neuronal a las características de la imagen médica mediante la adición de conexiones entre capas a una red neuronal convolucional tradicional

• Materias:Big Data Gestión de riesgos Administración de información Red neuronal Teoría de redes
• Subjects:Big Data Risk management Information management Neural network Network Theory
• Palabras claves:Segmentación de imágenes médicas; Aprendizaje profundo; Red neuronal convolucional; Generalización; Modelo de dropout adaptativo; Algoritmo de segmentación
• Keywords:Medical image segmentation; Deep learning; Convolutional neural network; Generalizability; Adaptive dropout model; Segmentation algorithm