第４１卷第１期佳木斯大学学报（自然科学版）Ｖｏｌ．４１Ｎｏ．１２０２３年０１月ＪｏｕｒｎａｌｏｆＪｉａｍｕｓｉＵｎｉｖｅｒｓｉｔｙ（ＮａｔｕｒａｌＳｃｉｅｎｃｅＥｄｉｔｉｏｎ）Ｊａｎ．２０２３文章编号：１００８－１４０２（２０２３）０１－０１７５－０４基于神经网络的肝脏图像特征提取应用研究①汪辉进ａ，曾叶纯ｂ，徐宝娣ｂ（池州职业技术学院ａ．电子信息与传媒系，ｂ．生物与健康系，安徽池州２４７０００）摘要：由于人体腹腔的特殊构造，肝脏往往在影像学中与其他器官不易辨别。提出一种采用自适应动量估计Ａｄａｍ算法来对肝脏的影像图形进行分析，辅助医疗人员辨别肝脏是否存在病变以及定位存在病灶的确切位置，对于肝脏的影像学分析特别是在影像学图像中的精确识别具有一定的参考与应用价值。关键词：Ｕ－Ｎｅｔ神经网络；Ａｄａｍ算法；语义分割中图分类号：ＴＰ３９１．４文献标识码：Ａ０引言现今，随着计算机技术、人工智能技术的快速发展，特别是在医学领域，医学图像的自动化处理越来越多地应用到实际的临床，进行辅助诊断与治疗中。然而，受制于医疗仪器的本身精度和操作的问题以及医疗专业人员的人为因素影响，在这个背景下，对于医学图像的进一步自动化处理，以期对于病情做进一步正确的判断尤为重要。为此，医学影像技术在人工神经网络方向的日益发展，现今也呈现出愈来愈复杂、多样化的趋势。研究基于浅层神经网络的医学图像特征提取，提出了一种基于改进的Ａｄａｍ的深度学习算法来完成人体重要器官———肝脏影像资料的提取法方法，主要是指对医学图像进行语义分割，并且利用浅层神经网络对医学图像数据集进行学习训练。通过４００张肝脏图片进行训练比对，提取出对于医疗从业人员有所裨益的医学图像特征，加以更精确地把握病人的病情，做出相应准确的医学诊断，有助于提高肝脏影像图像的异常部分定位及精准性。具体方法为：（１）选取深度学习网络模型；（２）用Ｕ－Ｎｅｔ架构来进行一个捕获上下文信息的收缩路径和一个精确定位的对称扩展路径。采用通道的拼接进行上采样操作，在每个阶段都允许解码器学习编码器池化层中丢失的相关特征，以此来更好的进行实验的语义分割，完成实验成效；（３）使用ｐｙ－ｔｈｏｎ语言以及Ｐｙｔｏｒｃｈ深度学习框架构建神经网络模型，采用交叉熵函数作为训练的损失函数，尝试用可视化工具ｔｅｎｓｏｒｂｏａｒｄＸ进行训练的可视化，以期降低训练过程的误差，提高图像...
