1、“.....并在之后使用结构拓展了网络的宽度，且在网络深度受到输入图片分辨率限制的条件下保证输着如等卷积神经网络模型的提出，以及其预训练模型和迁移学习的广泛运用，这些能较好地解决大多数应用场景中的问题，但由于这些大型模型的输入分辨率过大以及提取特征针对性不强的限制，无法在病理图片区域分类这数据集精度高分辨率小的应用场景中基于改进的卷积神经网络的病理图片区域分类器论文原稿理图片上进行常规采样，获取得到标注的区域图片，将这些图片作为卷积神经网络的训练集，得到个病理图片区域分类器。在进行病理图片区域分割时，该算法使用拟蒙特卡洛法以及梯度插补法对未标注的病理图片进行采样......”。

2、“.....得到病理图片的概率热为高通量自适应采样法的主要部分，极大地影响了整个系统的性能。所以，得到个高性能适应应用场景的卷积神经网络模型是提高整体算法性能的关键。基于改进的卷积神经网络的病理图片区域分类器论文原稿。卷积神经网络构架在尝试了若干卷积神经网络特征结构后，本文选择了作为模的应用场景中直接使用。关键词卷积神经网络病理图片区域分类中图分类号文献标识码文章编号概述应用背景高通量自适应性采样法是种有效的利用卷积神经网络的病理图片区域分割算法。该算法通过在整张标注阳性区域的病理图片上进行常规采样，获取得到标注的区域图片......”。

3、“.....本文使用的原数据集包含了张已经标注区域的浸润性导管癌病理图片，放大倍数为。通过以像素为单位对病理图片中的感兴趣区域进行不重叠采样切割，得到共计，张图片切块，其中，张标注为阴性，张标注为阳性。数据集中的样本示例图所示。卷积数据集中的样本图片所包含的信息精度较高，使用常用的池化层可能会丢失大量的有用信息，本文使用了步长为的卷积层代替了池化层。通过实验表明，该设计能有效地提高模型的性能。与传统的设计方法相同，该模型在最后个卷积层后使用了全连接层利用输出的特征图进行分类。在激活函数的选择上，除该模型可以直接在算法或其它使用区域分类来实现病理图片区域分割的算法当中......”。

4、“.....在未来的发展与应用当中，本文的模型或其设计方法可以被应用于病理图片区域识别或其它医疗智能诊断领域。同样，在各个不同的应用场景中，可以合适地使用如优势，在经过个之后优势扩大至近。在训练结束后，本文通过模型在测试集上的混淆矩阵对各个模型的性能进行评估，评估标准使用了正确率查全率准确率得分。图所示中的结果表明使用了结构的本文模型在项标准上都呈现可观的优势。结语本文使用结构设计了个不同程度地大于阳性样本，所以训练得到的分类器会出现阴性样本预测正确率高，阳性样本预测正确率低的情况，导致分类器的综合性能不能达到应用场景的需求。本文通过改变代价函数中阳性样本的权值来缓解该问题......”。

5、“.....当阳性样本的权值为时模型的综合性能较优。实验结果本文将本文基于改进的卷积神经网络的病理图片区域分类器论文原稿了输出层使用的函数，其它结构均使用函数，相比于传统的函數，函数给所有的负值赋予了个非零斜率，可以解决函数进入负区间后神经元停止学习的情况。基于改进的卷积神经网络的病理图片区域分类器论文原稿。在网络深度受到输入图片分辨率限制的条件下保证输出特征图感受域的大小。由于使用结构，模型在有定结构复杂度的同时有着较小的计算复杂度。为了降低模型的计算复杂度，在卷积神经网络的设计当中总会加入定数量的下采样层来缩减特征图的尺寸，去除其中冗余的信息。由于该应用场景棒性和泛化性......”。

6、“.....对训练集中的图片在限定范围内进行小幅的随机平移随机翻转随机旋转和随机放大，并以与原图片相同的背景色作为变换后缺失部分的填充色，以达到高强度的实时数据增强，并且保持图片中关键信息的完整性，直到达到指定的。训等优秀网络结构来提高卷积神经网络的性能模型设计在医学图像区域分类的应用场景下，样本图片的分辨率低，且所呈现的低级特征较多，高级特征较少。针对该特点，本文在设计卷积神经网络时提高了第个卷积层中卷积核的初始数量，并在之后使用结构拓展了网络的宽度，且适用于病理图片区域分类应用场景的卷积神经网络，利用公开的数据集对该网络模型进行了训练，得到个高性能的病理图片区域分类器，通过实验验证......”。

7、“.....证明了结构在浅层网络应用的有效性。使用的模型与不使用的颈状模型以及传统浅层网络模型通过同样的训练策略进行训练，将训练的过程以及结果进行对比。实验结果表明使用结构的模型较颈状模型以及传统浅层网络模型在训练过程中能更好地拟合数据集的分布情况。对比传统的浅层网络，本文模型有着明显的性能练策略优化算法本文模型使用作为优化算法。是种可以替代传统随机梯度下降过程的阶优化算法，它能基于训练数据迭代地更新神经网络权重，相对于常用的算法，有着计算高效内存占用少快速调参等优势。类别平衡由于病理图片的数据特性......”。

8、“.....相比于传统的函數，函数给所有的负值赋予了个非零斜率，可以解决函数进入负区间后神经元停止学习的情况。数据增强。数据增强是缓解由于数据集样本不足而导致模型欠拟合的种有效方法，通过对数据集样本加入噪声，还可以提高模型的鲁出特征图感受域的大小。由于使用结构，模型在有定结构复杂度的同时有着较小的计算复杂度。为了降低模型的计算复杂度，在卷积神经网络的设计当中总会加入定数量的下采样层来缩减特征图的尺寸，去除其中冗余的信息。由于该应用场景数据集中的样本图片所包含的信息精度较高，使用常直接使用。实验及结果分析数据集数据集描述......”。

9、“.....放大倍数为。通过以像素为单位对病理图片中的感兴趣区域进行不重叠采样切割，得到共计，张图片切块，其中，张标注为阴性，张标注为阳性。数据集中的样本示例图图，从而实现病理图片的自动区域分割。以卷积神经网络为模型的分类器作为高通量自适应采样法的主要部分，极大地影响了整个系统的性能。所以，得到个高性能适应应用场景的卷积神经网络模型是提高整体算法性能的关键。基于改进的卷积神经网络的病理图片区域分类器论文原稿。卷积神经网络随型的基本框架结构，并将该模式应用于深度较浅的轻量级模型当中。本文模型的基本结构如图所示......”。