神经网络检测：一种自配置的医学目标检测方法

卷积层和损失函数是深度学习中的两个基本组成部分。由于传统深度学习内核的成功，通用性较差的 Gabor 内核变得不那么受欢迎，尽管它们可以以更少的参数提供不同频率、方向和尺度的丰富特征。对于多类图像分割的现有损失函数，通常需要在准确性、对超参数的鲁棒性以及用于组合不同损失的手动权重选择之间进行权衡。

因此，为了获得使用 Gabor 内核的好处，同时保持深度学习中自动特征生成的优势，我们提出了一个完全可训练的基于 Gabor 的卷积层，其中所有 Gabor 参数都可以通过反向传播进行训练。此外，我们提出了一种基于 Pearson 相关系数的损失函数，该损失函数准确、对学习率具有鲁棒性，并且不需要手动选择权重。对具有 19 个解剖结构的 43 个 3D 脑磁共振图像的实验表明，使用所提出的损失函数与传统和基于 Gabor 的内核的适当组合，我们可以训练一个只有 160 万个参数的网络，以实现平均 Dice co效率为 83%。这个大小比具有 7100 万个参数的 V-Net 小 44 倍。本文展示了在深度学习中使用可学习参数内核进行 3D 分割的潜力。在本文中，我们提出了一个完全可训练的基于 Gabor 的内核和一个基于 Pearson 相关系数的损失函数。实验结果表明，LP CC 对学习率具有鲁棒性，可以实现较高的分割精度，并且适当组合传统和基于 Gabor 的内核可以产生比传统模型小数倍的准确模型。