深度卷積信念網(wǎng)絡(luò)在顱內(nèi)CT圖像分類中的應用.pdf

1、由于計算機軟硬件技術(shù)的快速發(fā)展，圖像處理，機器視覺與模式識別技術(shù)愈漸多樣化。隨著醫(yī)療系統(tǒng)信息化的不斷完善，醫(yī)療數(shù)據(jù)大規(guī)模增長，傳統(tǒng)的淺層機器學習與模式識別算法已經(jīng)不能滿足處理如此大量的醫(yī)學影像樣本的需要。由于深度學習可以通過大量樣本來學習特征，使得深度學習模型在如今的互聯(lián)網(wǎng)信息爆炸時代有了用武之地，近些年來，深度學習的蓬勃發(fā)展，出現(xiàn)了大量基于深度學習思維的模式識別算法，它們在許多領(lǐng)域有了較為成功的應用，深度學習與計算機醫(yī)療輔助診斷相結(jié)合

2、已成為了計算機視覺及模式識別等技術(shù)的主要應用研究方向之一。
　　卷積深度信念網(wǎng)絡(luò)(Conventional Deep Belief Network，CDBN)模型是由受限波爾茨曼機（Restricted Boltzmann Machine，RBM）拓展過來的，是一種應用于圖像數(shù)據(jù)的非監(jiān)督深度學習模型。它結(jié)合了卷積神經(jīng)網(wǎng)絡(luò)(Convolutional NeuralNetwork，CNN)的權(quán)重共享以及局部視覺野的特性，同時采用了深度

3、信念網(wǎng)絡(luò)(Deep Belief Network，DBN)的非監(jiān)督學習算法，在圖像分類領(lǐng)域里已取得了不錯的研究成果。
　　本文主要研究了卷積深度信念網(wǎng)絡(luò)模型在醫(yī)學影像圖片分類中的應用，主要研究內(nèi)容如下:
　　1.首次將CDBN模型應用于顱內(nèi)出血CT圖像的特征學習，用支持向量對圖像特征進行了分類，取得了很好的分類效果。
　　2.提出了關(guān)于CDBN在CUDA框架下的并行實現(xiàn)方法。
　　3.將基于矩估計自適應梯度算法應