李晓峰, 李 东, 王妍玮
(1. 黑龙江外国语学院 信息工程系, 哈尔滨 150025; 2. 哈尔滨工业大学 计算机科学与技术学院, 哈尔滨 150001; 3. 普度大学 机械工程系, 美国印第安纳州 西拉法叶市 IN47906)
超声图像可有效辅助医生准确判断和治疗人体疾病, 目前在医疗诊断中应用广泛[1-2]. 但在分析医学超声图像信息前, 需经过计算机处理, 以获取更精准的图像信息数据. 通过边缘检测技术获取图像中物体的边缘信息, 可为目标图像输出提供可靠的数据支持[3].
深度卷积神经网络在图像分析方面应用广泛, 但伴随网络深度的增加, 在卷积神经网络训练过程中, 易出现梯度过多或消失的情况, 导致训练不能正常进行. 由此产生了一种深度残差网络, 通过在卷积层中添加残差学习单元, 缓解网络训练问题, 效果较好. 陆永帅等[4]利用深度残差网络进行霾监测, 通过提取霾光谱曲线特征, 添加残差学习缓解神经网络训练问题, 基于数据分析完成霾监测, 结果表明该方法的识别精度较高; 段立娟等[5]采用多阶段学习策略推算小波系数, 提出了一种基于小波域的深度残差网络, 将神经网络与小波损失函数相结合完成图像超分辨率重建, 视觉效果较好; 查雄等[6]提出了一种基于深度残差网络的特定协议信号识别方法, 训练深度残差网络, 构建短波信号识别模型, 该方法对被强干扰遮挡条件下识别信号的准确率较高; Sultana等[7]提出了一种具有正规化Fisher框架的深层残留网络检测……