基于卷积神经网络GoogLeNet算法构建颅内动脉瘤诊断模型

摘要

目的 评价基于卷积神经网络的GoogLeNet算法在颅内动脉瘤自动分类诊断中的应用效果。方法 本项研究回顾性收集了2020年1月至2023年1月在西南医科大学附属医院进行头部CT扫描的234例颅内动脉瘤患者和正常对照者的计算机断层扫描血管造影图像作为研究对象，采用Pytorch框架构建基于GoogLeNet算法的卷积神经网络模型，并使用He初始化方法和Adam优化器进行模型参数初始化和优化，采用交叉熵作为损失函数，并使用批标准化和dropout技术进行模型训练和防止过拟合。结果 基于GoogLeNet算法构建的颅内动脉瘤诊断模型在测试集上获得了较高的准确度和较低的损失函数值，受试者工作特征曲线显示训练集的曲线下面积为0.891，测试集为0.851，证明了该模型在颅内动脉瘤诊断中具有很好的应用前景。结论 基于卷积神经网络的GoogLeNet算法可以有效地应用于颅内动脉瘤诊断，并且具有较高的准确度和较低的损失函数值，可以为颅内动脉瘤的早期诊断和治疗提供参考依据。

关键词

深度学习 / 卷积神经网络 / 颅内动脉瘤 / 诊断模型 / 人工智能