https://www.yiliao.com/index.php?action=history&feed=atom&title=CNN
CNN - 版本历史
2026-04-17T08:31:01Z
本wiki的该页面的版本历史
MediaWiki 1.35.1
https://www.yiliao.com/index.php?title=CNN&diff=316739&oldid=prev
103.220.218.7：建立内容为“<div style="padding: 0 4%; line-height: 1.8; color: #1e293b; font-family: 'Helvetica Neue', Helvetica, 'PingFang SC', Arial, sans-serif; background-color: #ffffff…”的新页面
2026-02-08T20:54:21Z
<p>建立内容为“<div style="padding: 0 4%; line-height: 1.8; color: #1e293b; font-family: 'Helvetica Neue', Helvetica, 'PingFang SC', Arial, sans-serif; background-color: #ffffff…”的新页面</p>
<p><b>新页面</b></p><div><div style="padding: 0 4%; line-height: 1.8; color: #1e293b; font-family: 'Helvetica Neue', Helvetica, 'PingFang SC', Arial, sans-serif; background-color: #ffffff; max-width: 1200px; margin: auto;"><br />
<br />
<div style="margin-bottom: 30px; border-bottom: 1.2px solid #e2e8f0; padding-bottom: 25px;"><br />
<p style="font-size: 1.1em; margin: 10px 0; color: #334155; text-align: justify;"><br />
<strong>卷积神经网络</strong>（Convolutional Neural Network，简称 <strong>CNN</strong>），是一种专门为处理具有网格结构数据（如图像、时间序列）而设计的<strong>[[深度学习]]</strong>架构。<br />
<br>它的设计灵感来源于生物学中的<strong>视觉皮层</strong>（Visual Cortex）机制——特别是 Hubel 和 Wiesel 发现的“感受野”概念。与传统神经网络（全连接层）不同，CNN 通过<strong>“卷积”</strong>（Convolution）操作和<strong>“权值共享”</strong>（Weight Sharing）机制，能够自动从图像中提取从低级（边缘、线条）到高级（形状、物体）的层级特征。<br />
<br>在医学领域，CNN 是<strong>[[AI辅助诊断]]</strong>的绝对核心技术。无论是 <strong>[[LDCT]]</strong> 上的肺结节检出、<strong>[[数字病理]]</strong>切片的癌细胞识别，还是眼底照片中的糖网分级，背后几乎都是 CNN 在发挥作用。<br />
<br />
[Image of CNN architecture diagram]<br />
<br />
</p><br />
</div><br />
<br />
<div class="medical-infobox mw-collapsible mw-collapsed" style="width: 100%; max-width: 320px; margin: 0 auto 35px auto; border: 1.2px solid #bae6fd; border-radius: 12px; background-color: #ffffff; box-shadow: 0 8px 20px rgba(0,0,0,0.05); overflow: hidden;"><br />
<br />
<div style="padding: 15px; color: #1e40af; background: linear-gradient(135deg, #e0f2fe 0%, #bae6fd 100%); text-align: center; cursor: pointer;"><br />
<div style="font-size: 1.2em; font-weight: bold; letter-spacing: 1.2px;">CNN</div><br />
<div style="font-size: 0.7em; opacity: 0.85; margin-top: 4px; white-space: nowrap;">The Eye of AI (点击展开)</div><br />
</div><br />
<br />
<div class="mw-collapsible-content"><br />
<div style="padding: 25px; text-align: center; background-color: #f8fafc;"><br />
<br />
<div style="font-size: 0.8em; color: #64748b; margin-top: 12px; font-weight: 600;">计算机视觉的基石</div><br />
</div><br />
<br />
<table style="width: 100%; border-spacing: 0; border-collapse: collapse; font-size: 0.85em;"><br />
<tr><br />
<th colspan="2" style="padding: 8px 12px; background-color: #e0f2fe; color: #1e40af; text-align: left; font-size: 0.9em; border-top: 1px solid #bae6fd;">技术档案</th><br />
</tr><br />
<tr><br />
<th style="text-align: left; padding: 6px 12px; background-color: #f8fafc; color: #475569; border-bottom: 1px solid #e2e8f0; width: 40%;">全称</th><br />
<td style="padding: 6px 12px; border-bottom: 1px solid #e2e8f0; color: #0f172a;">Convolutional Neural Network</td><br />
</tr><br />
<tr><br />
<th style="text-align: left; padding: 6px 12px; background-color: #f8fafc; color: #475569; border-bottom: 1px solid #e2e8f0;">核心组件</th><br />
<td style="padding: 6px 12px; border-bottom: 1px solid #e2e8f0; color: #1e40af;">卷积层, 池化层, 激活函数</td><br />
</tr><br />
<tr><br />
<th style="text-align: left; padding: 6px 12px; background-color: #f8fafc; color: #475569; border-bottom: 1px solid #e2e8f0;">数学基础</th><br />
<td style="padding: 6px 12px; border-bottom: 1px solid #e2e8f0; color: #0f172a;">线性代数 (矩阵运算)</td><br />
</tr><br />
<tr><br />
<th style="text-align: left; padding: 6px 12px; background-color: #f8fafc; color: #475569; border-bottom: 1px solid #e2e8f0;">关键特性</th><br />
<td style="padding: 6px 12px; border-bottom: 1px solid #e2e8f0; color: #16a34a;">平移不变性, 局部连接</td><br />
</tr><br />
<tr><br />
<th style="text-align: left; padding: 6px 12px; background-color: #f8fafc; color: #475569; border-bottom: 1px solid #e2e8f0;">经典模型</th><br />
<td style="padding: 6px 12px; border-bottom: 1px solid #e2e8f0; color: #0f172a;">ResNet, U-Net (医学常用)</td><br />
</tr><br />
<br />
<tr><br />
<th colspan="2" style="padding: 8px 12px; background-color: #e0f2fe; color: #1e40af; text-align: left; font-size: 0.9em; border-top: 1px solid #bae6fd;">医学应用</th><br />
</tr><br />
<tr><br />
<th style="text-align: left; padding: 6px 12px; background-color: #f8fafc; color: #475569; border-bottom: 1px solid #e2e8f0;">图像分类</th><br />
<td style="padding: 6px 12px; border-bottom: 1px solid #e2e8f0; color: #0f172a;">判断良恶性 (如皮肤癌)</td><br />
</tr><br />
<tr><br />
<th style="text-align: left; padding: 6px 12px; background-color: #f8fafc; color: #475569; border-bottom: 1px solid #e2e8f0;">目标检测</th><br />
<td style="padding: 6px 12px; border-bottom: 1px solid #e2e8f0; color: #1e40af;">框出病灶 (如肺结节)</td><br />
</tr><br />
<tr><br />
<th style="text-align: left; padding: 6px 12px; background-color: #f8fafc; color: #475569; border-bottom: 1px solid #e2e8f0;">图像分割</th><br />
<td style="padding: 6px 12px; border-bottom: 1px solid #e2e8f0; color: #e11d48;">勾画器官/肿瘤边界 (U-Net)</td><br />
</tr><br />
<tr><br />
<th style="text-align: left; padding: 6px 12px; background-color: #f8fafc; color: #475569;">数据格式</th><br />
<td style="padding: 6px 12px; color: #16a34a;">DICOM (2D/3D)</td><br />
</tr><br />
</table><br />
</div><br />
</div><br />
<br />
<h2 style="background: #f1f5f9; color: #0f172a; padding: 10px 18px; border-radius: 0 6px 6px 0; font-size: 1.25em; margin-top: 40px; border-left: 6px solid #0f172a; font-weight: bold;">三大法宝：CNN 是如何“看”图的？</h2><br />
<p style="margin: 15px 0; text-align: justify;"><br />
如果把一张 CT 图像看作一个数字矩阵，CNN 通过以下三个核心操作来“消化”这些数据：<br />
</p><br />
<div style="overflow-x: auto; margin: 20px auto;"><br />
<table style="width: 100%; border-collapse: collapse; border: 1.2px solid #cbd5e1; font-size: 0.9em; text-align: left;"><br />
<tr style="background-color: #f1f5f9; border-bottom: 2px solid #0f172a;"><br />
<th style="padding: 12px; border: 1px solid #cbd5e1; color: #0f172a; width: 20%;">操作层</th><br />
<th style="padding: 12px; border: 1px solid #cbd5e1; color: #1e40af; width: 30%;">形象比喻</th><br />
<th style="padding: 12px; border: 1px solid #cbd5e1; color: #475569; width: 50%;">功能原理</th><br />
</tr><br />
<tr><br />
<td style="padding: 10px; border: 1px solid #cbd5e1; font-weight: 600;">卷积层<br>(Convolution)</td><br />
<td style="padding: 10px; border: 1px solid #cbd5e1;"><strong>提取特征的“滤镜”</strong></td><br />
<td style="padding: 10px; border: 1px solid #cbd5e1;">利用一个个小的<strong>卷积核</strong>（Kernel）在图像上滑动。<br />
<br>• 浅层卷积：识别边缘、线条、颜色。<br />
<br>• 深层卷积：识别眼睛、纹理、结节形状。</td><br />
</tr><br />
<tr><br />
<td style="padding: 10px; border: 1px solid #cbd5e1; font-weight: 600;">激活层<br>(ReLU)</td><br />
<td style="padding: 10px; border: 1px solid #cbd5e1;"><strong>神经元的“开关”</strong></td><br />
<td style="padding: 10px; border: 1px solid #cbd5e1;">引入非线性（Non-linearity）。如果没有它，神经网络就退化成了普通的线性回归，无法处理复杂的医学图像。常用 ReLU 函数。</td><br />
</tr><br />
<tr><br />
<td style="padding: 10px; border: 1px solid #cbd5e1; font-weight: 600;">池化层<br>(Pooling)</td><br />
<td style="padding: 10px; border: 1px solid #cbd5e1;"><strong>信息的“浓缩”</strong></td><br />
<td style="padding: 10px; border: 1px solid #cbd5e1;">下采样（Downsampling）。保留主要特征，丢弃不重要的细节，减小图像尺寸，防止过拟合。</td><br />
</tr><br />
</table><br />
</div><br />
<br />
<h2 style="background: #f1f5f9; color: #0f172a; padding: 10px 18px; border-radius: 0 6px 6px 0; font-size: 1.25em; margin-top: 40px; border-left: 6px solid #0f172a; font-weight: bold;">U-Net：医学影像界的“神网”</h2><br />
<p style="margin: 15px 0; text-align: justify;"><br />
在通用领域，ResNet、VGG 是王者；但在医学图像分割（Segmentation）领域，<strong>U-Net</strong> 是绝对的统治者。<br />
</p><br />
<div style="background-color: #f0f9ff; border-left: 5px solid #1e40af; padding: 15px 20px; margin: 20px 0; border-radius: 4px;"><br />
<ul style="margin: 0; padding-left: 20px; color: #334155;"><br />
<li style="margin-bottom: 12px;"><strong>结构特点：</strong> 呈“U”形对称结构。左边是收缩路径（编码器，提取特征），右边是扩张路径（解码器，还原位置）。</li><br />
<li style="margin-bottom: 12px;"><strong>跳跃连接 (Skip Connection)：</strong> 将左边丢失的空间信息直接“复制粘贴”到右边。这解决了深层网络容易丢失病灶边缘细节的问题。</li><br />
<li style="margin-bottom: 0;"><strong>应用：</strong> 几乎所有需要“勾画”的任务——如勾画肿瘤靶区（放疗）、勾画心室边界、分割细胞核——首选模型都是 U-Net 及其变体。</li><br />
</ul><br />
</div><br />
<br />
<div style="font-size: 0.92em; line-height: 1.6; color: #1e293b; margin-top: 50px; border-top: 2px solid #0f172a; padding: 15px 25px; background-color: #f8fafc; border-radius: 0 0 10px 10px;"><br />
<span style="color: #0f172a; font-weight: bold; font-size: 1.05em; display: inline-block; margin-bottom: 15px;">关键相关概念 [Key Concepts]</span><br />
<br />
<p style="margin: 12px 0; border-bottom: 1px solid #e2e8f0; padding-bottom: 10px;"><br />
<strong>1. Filter / Kernel (卷积核)：</strong> CNN 的核心参数。一个 3x3 的矩阵，像手电筒一样在图像上扫描。训练 CNN 的本质，就是让计算机通过反向传播算法，自动找到最适合识别肿瘤的“卷积核”参数。<br />
</p><br />
<br />
<p style="margin: 12px 0; border-bottom: 1px solid #e2e8f0; padding-bottom: 10px;"><br />
<strong>2. Receptive Field (感受野)：</strong> 指网络中某一层神经元能“看到”的原图范围。层数越深，感受野越大，看到的特征越宏观（如整个肺）；层数越浅，感受野越小，看到的越微观（如毛玻璃纹理）。<br />
</p><br />
<br />
<p style="margin: 12px 0;"><br />
<strong>3. Transfer Learning (迁移学习)：</strong> 医学影像数据标注极难（需要专家）。因此，通常先让 CNN 在海量的自然图像（ImageNet，如猫狗照片）上预训练，学会看线条和形状，然后再用少量的医学图像（CT/MRI）进行“微调”（Fine-tuning）。<br />
</p><br />
</div><br />
<br />
<div style="font-size: 0.92em; line-height: 1.6; color: #1e293b; margin-top: 20px; border-top: 2px solid #0f172a; padding: 15px 25px; background-color: #ffffff;"><br />
<span style="color: #0f172a; font-weight: bold; font-size: 1.05em; display: inline-block; margin-bottom: 15px;">学术参考文献 [Academic Review]</span><br />
<br />
<p style="margin: 12px 0; border-bottom: 1px solid #e2e8f0; padding-bottom: 10px;"><br />
[1] <strong>LeCun Y, et al. (1998).</strong> <em>Gradient-based learning applied to document recognition.</em> <strong>[[Proceedings of the IEEE]]</strong>. <br><br />
<span style="color: #475569;">[点评]：CNN 的开山之作（LeNet-5）。Yann LeCun 首次系统性地提出了卷积、池化和反向传播的联合应用，奠定了现代深度学习的基础。</span><br />
</p><br />
<br />
<p style="margin: 12px 0; border-bottom: 1px solid #e2e8f0; padding-bottom: 10px;"><br />
[2] <strong>Ronneberger O, et al. (2015).</strong> <em>U-Net: Convolutional Networks for Biomedical Image Segmentation.</em> <strong>[[MICCAI]]</strong>. <br><br />
<span style="color: #475569;">[点评]：医学影像 AI 的必读经典。提出了 U-Net 架构，在只有少量标注样本的情况下，依然实现了极高精度的细胞分割，彻底改变了医学图像分析领域。</span><br />
</p><br />
</div><br />
<br />
<div style="margin: 40px 0; border: 1px solid #e2e8f0; border-radius: 8px; overflow: hidden; font-family: 'Helvetica Neue', Arial, sans-serif; font-size: 0.9em;"><br />
<div style="background-color: #eff6ff; color: #1e40af; padding: 8px 15px; font-weight: bold; text-align: center; border-bottom: 1px solid #dbeafe;"><br />
人工智能 · 知识图谱<br />
</div><br />
<table style="width: 100%; border-collapse: collapse; background-color: #ffffff;"><br />
<tr style="border-bottom: 1px solid #f1f5f9;"><br />
<td style="width: 85px; background-color: #f8fafc; color: #334155; font-weight: 600; padding: 10px 12px; text-align: right; vertical-align: middle;">上级分类</td><br />
<td style="padding: 10px 15px; color: #334155;">[[深度学习]] (Deep Learning)</td><br />
</tr><br />
<tr style="border-bottom: 1px solid #f1f5f9;"><br />
<td style="width: 85px; background-color: #f8fafc; color: #334155; font-weight: 600; padding: 10px 12px; text-align: right; vertical-align: middle;">核心应用</td><br />
<td style="padding: 10px 15px; color: #334155;">[[计算机视觉]] (CV) • [[医学影像分析]]</td><br />
</tr><br />
<tr><br />
<td style="width: 85px; background-color: #f8fafc; color: #334155; font-weight: 600; padding: 10px 12px; text-align: right; vertical-align: middle;">相关架构</td><br />
<td style="padding: 10px 15px; color: #334155;">[[U-Net]] • [[ResNet]] • [[Transformer]] (ViT)</td><br />
</tr><br />
</table><br />
</div><br />
<br />
</div></div>
103.220.218.7