基于残差混合注意力机制的脑部CT图像分类卷积神经网络模型
针对阿尔兹海默症、病变(如脑肿瘤)和健康老化的3类脑部CT图像分类问题,本文提出了一种改进的ResNet-10卷积神经网络模型.该模型在网络的残差映射结构中加入残差混合注意力模块,解决了原模型提取的特征分辨性弱的问题,精确捕捉了脑部组织在CT图像中的位置和内容信息;此外,本文设计了全局平均池化层,简化了模型的复杂度,并在其后引入Dropout机制,缓解了过拟合.在训练阶段,该模型建立了标签平滑交叉熵损失函数,使模型在样本数量有限的情况下仍有较强的泛化能力.系列实验证明了改进后的ResNet-10网络模型在分类脑部CT图像时达到97.47％的分类精度.
残差混合注意力模块、标签平滑、脑部CT、卷积神经网络
49
TP399(计算技术、计算机技术)
创新工程项目;泰山产业领军人才;国家自然科学基金;国家自然科学基金
2021-06-21（万方平台首次上网日期，不代表论文的发表时间）
共8页
984-991
