【深度学习】医学图像分割的集成与后处理_医学图像分割后处理方法

【深度学习】医学图像分割的集成与后处理

文章目录
1 如何通过组合多个神经网络提高模型性能
	1.1 使用融合模型减少模型的方差
2 tensorflow keras 实现模型平均
	2.1 训练多种模型
	2.2 融合模型
3 神经网络训练之交叉验证
4 训练和后处理
5 介绍一些免费/开源的医学影像后处理工具
1
2
3
4
5
6
7
8
9

1 如何通过组合多个神经网络提高模型性能

深度神经网络是非线性的。它们提供了更大的灵活性，并且理论上随着数据集的增多，其性能表现会越好。其缺点是通过随机训练算法进行学习，这意味着神经网络对训练数据很敏感，并且每次训练时会得到不同的权重向量，从而产生不同的预测。通常，这被称为具有高方差的神经网络，当使用其模型进行预测时，可能效果并不好。

减少神经网络模型方差的成功方法是融合多个模型而不是单个模型，并结合这些模型的预测结果综合判断，这样的模型称为融合模型（Aggregation Model），这种算法称为集成学习（Ensemble Learning）。融合模型不仅可以减少预测的方差，而且可以产生比任何单个模型都更好的预测

1.1