Сверточные нейронные сети: обзор и применение в радиологии

Сверточная нейронная сеть (CNN), класс искусственных нейронных сетей, который стал доминирующим в различных задачах компьютерного зрения, вызывает интерес в различных областях, включая радиологию. CNN спроектированы для автоматического и адаптивного изучения пространственной иерархии признаков с помощью обратного распространения ошибки, используя несколько строительных блоков, таких как сверточные слои, слои подвыборки (пулинг) и полносвязные слои. В этом обзорном статье дается обзор основных концепций CNN и их применения в различных радиологических задачах, обсуждаются проблемы и направления развития в области радиологии. Также рассматриваются две проблемы применения CNN в радиологии — малые наборы данных и переобучение — а также методы их минимизации. Знание концепций, преимуществ и ограничений CNN важно для использования их потенциала в диагностической радиологии с целью повышения эффективности работы радиологов и улучшения ухода за пациентами. Ключевые моменты: • Сверточные нейронные сети — это класс методов глубокого обучения, которые стали доминирующими в различных задачах компьютерного зрения и вызывают интерес в разных областях, включая радиологию. • Сверточные нейронные сети состоят из нескольких строительных блоков, таких как сверточные слои, слои пулинга и полносвязные слои, и предназначены для автоматического и адаптивного изучения пространственной иерархии признаков с помощью алгоритма обратного распространения ошибки. • Знание концепций, преимуществ и ограничений сверточных нейронных сетей необходимо для использования их потенциала в повышении эффективности работы радиологов и, в конечном счете, качества ухода за пациентами.