基于卷積神經網絡與特征選擇的醫療圖像誤差預測算法

李曉峰，劉剛，衛晉，王妍瑋

（1.北京理工大學計算機科學與技術學院，北京 100081；2.哈爾濱工程大學，計算機科學與技術學院，黑龍江哈爾濱 150001；3.普度大學機械工程系，印第安納州西拉法葉市，IN47906）

醫療圖像是記錄患者診斷情況的重要依據，獲取高質量的醫療圖像對于醫療診斷具有重要的意義[1-2].目前醫療研究領域中，人們能夠依據各類儀器、設備獲取海量醫療圖像信息，利用當前醫學影像設備獲取醫療圖像時，比如CT 圖像，因為通常平面獲取的圖像分辨率大于空間層面的圖像分辨率，所以CT 圖像在X 軸和Y 軸方向上的分辨率較大，Z軸方向的分辨率較小，由此則容易產生誤差，若不對圖像進行有效篩選而直接作為診斷依據，將會嚴重影響疾病的診斷情況，對于醫療領域的發展也會產生一定的阻礙作用[3-4].對于海量的醫療圖像，如果能夠準確地預測醫療圖像誤差，將誤差預測技術實時應用于醫療診斷中，將會大大促進醫療領域的進步，幫助更多的患者精準診療.目前對于醫療圖像的誤差處理存在一定的問題，缺乏高效的誤差預測手段，因此尋找一種有效的醫學圖像誤差預測方法具有重要的理論和實際價值[5-6].

隨著近年來計算機技術的飛速發展，將深度學習應用于醫療圖像處理中，已成為廣受專家們關注的話題，侯夢薇等人[7]將知識圖譜與深度學習相結合，在優質醫療資源稀缺但醫療需求增加的背景下，全面分析醫療知識圖譜，對其中的關鍵技術進行研究綜述，全面剖析了智能醫療現狀與研究方向；趙越等人[8]將卷積神經網絡應用到宮頸細胞分類中，首先初始化處理卷積神經網絡，分批次輸入宮頸細胞圖像，然后采用Softmax 函數建立損失函數，最后改進神經網絡結構，通過參數優化選擇損失函數的最小值，實現圖像分類；劉凱等人[9]提出基于卷積神經網絡的中文醫療弱監督關系抽取方法，該方法給予訓練語料一定的關系標簽，將弱關系語料轉換為向量特征矩陣，將其輸入卷積神經網絡處理；Wang 等人[10]通過細化圖像制作適用于特定圖像的卷積神經網絡框架，構建加權損失函數，建立交互式圖像分割模型；Zhou 等人[11]提出了利用眼睛跟蹤數據進行圖像分類的方法，過程中主要利用圖像特征選擇技術實現分類；Nizami 等人[12]在對圖像質量分析中，同樣也應用到了圖像特征選擇技術，獲取了較好的成效.

針對卷積神經網絡與醫療圖像誤差預測問題，國內眾多學者早已做出了相關研究.文獻[13]提取了多個醫療影像數據特征集，基于支持向量機建立腫瘤預測模型，成為一種有效的計算機輔助診療醫學工具，但該方法的數據分類效果差；文獻[14]基于拓展設計、緩存優化等技術，提出一種面向邊緣計算的卷積神經網絡構建方法，并利用網絡層間可復用的加速器核心完成對網絡硬件的優化，該方法構建的神經網絡可廣泛應用于醫療等各領域，但該方法對數據區域距離計算的準確率不高；文獻[15]簡單處理了原始數據，將其輸入卷積神經網絡，充分利用了卷積神經網絡的局部特征分析優勢，獲取數據特征項，但預測耗時長，準確率不高；文獻[16]以卷積神經網絡特征提取器為研究對象，針對圖像分類問題，將神經網絡模型壓縮問題轉換為特征選取問題，實現對圖像的深度分析，該方法的整體性能不佳，特征選擇效果差，有待進一步提高.

國外學者也針對相關問題提出了許多觀點，文獻[17]針對圖像處理問題，提出一種深度卷積神經網絡方法，在訓練階段，利用梯度剪裁方法加快網絡收斂速度，獲取了較好的圖像處理效果，但該方法對數據處理效果不佳，導致預測耗時長、準確率低；文獻[18]將卷積神經網絡應用于心臟CT 血管造影中，該方法使用監督學習直接識別和量化圖像，降低了圖像處理復雜度，但利用該方法得到的預測值與實際值偏差較大，且計算時間長；文獻[19]在醫療影像分析中，提出深度學習卷積神經網絡和水平集相結合方法，利用16 萬個感興趣區域和圖像，訓練深度學習卷積神經網絡，以此來區分膀胱內外，取得了一定的成果，然而該方法的數據分類效果差，獲取結果與實際值之間仍舊存在較大的偏差.

為有效解決上述方法存在的問題，本文基于卷積神經網絡與特征選擇，來預測醫療圖像誤差.特征選擇方法中，現有的兩種方法為過濾型方法和封裝型方法，其中過濾型方法基于數據的固有屬性實現數據特征分類和評價，多數情況下獲取的選擇結果具有相似性.封裝型方法則是基于分類模型實現，從分類模型中選擇出最優的特征子集完成特征選擇，這種方法對數據集大小的敏感性較強，在不同數據集情況下表現的差異較大[20-21].上述兩種特征選擇方法都是基于單一標準進行特征選擇，結果具有一定的偏差，為此，本文基于多評價標準融合構建特征選擇方法，將不同評價標準下的特征選擇結果集成，獲取更為全面的特征選擇結果.在上述現有研究內容的基礎上，本文將卷積神經網絡和特征選擇相結合，預測醫療圖像誤差，以期獲取更高質量的醫療圖像.本文的主要研究工作：1）對醫療圖像區域分類，為圖像誤差的準確預測提供了基礎；2）基于多評價標準進行醫療圖像特征選擇，有效地改善了卷積神經網絡特征提取結果不明確的問題；3）利用多元線性回歸方法完成圖像誤差預測；4）設立集成規則適應度、區域距離計算準確率、特征選擇的AUC 值、預測值與實際值擬合度、不同數據樣本下預測耗時等多個指標，通過實驗驗證所提算法性能，增強了實驗結果的可靠性.

1 醫療圖像區域自適應多分類器構建

在進行醫療圖像誤差預測前，本文首先對醫療圖像區域分類，將圖像細化為不同的區域，尋找出可疑區域，完成誤差預測.

選取了5 個經典的基分類器，分別為K 最近鄰分類器、數據引力分類器、徑向基神經網絡分類器、決策樹分類器和支持向量機分類器[22].對每一個分類器訓練后，都可能產生不一樣的分類結果，因此，為提高對醫療圖像區域的分類精度，本文構建了自適應多分類器，將不同分類器獲取的分類結果綜合起來，得出一個最終的分類結果.多分類器訓練理論推導過程如下：

初始化多分類器，從原始圖像中獲取圖像區域，對該圖像區域進行預處理.通常醫療圖像中容易存在異常數據點和孤立數據點，降低圖像質量，本文采用距離法檢測圖像區域的異常數據點和孤立數據點，若存在，則保持數據庫連接并關閉圖像文件，剔除異常和孤立數據點，若不存在，則不關閉輸出文件，繼續下一步，直至獲取多個分類器輸出結果.

然后尋找一種有效的集成規則，依據集成規則合并分類結果.目前存在的多種集成規則僅能表現多個分類器輸出結果，并未將單個分類器的分類性能考慮進去，因此本文對每種分類器給予一定的分類權重，設計一種更為全面的集成規則.假設醫療圖像數據集為Di={d1，d2，d3，…，di}，包含m 個類別，則類標簽可表示為C={c1，c2，c3，…，cm}.假設本文選取的基分類器中，第i 個分類器的權重為Careai，其分類結果為Cj的概率為Pij，依據集成規則處理后，將第i 個分類器最終獲取的概率結果分配給Cj.本文使用的5 種集成規則可表示為：

其中分類權重Careai的計算公式如下：

式中：e 表示自然對數底數，Z 表示圖像分類屬性特征值，Gain（Z）表示屬性特征值Z 的增益數值.

依據上述5 種集成規則對不同分類器結果進行處理，則可獲取綜合分類結果，完成醫療圖像區域自適應多分類器構建，為醫療圖像區域選擇最優集成方法，從而更好的實現分類.

上述多分類器訓練流程如圖1 所示.

圖1 多分類器訓練流程圖Fig.1 Flowchart of multi-classifier training

2 醫療圖像誤差預測算法

2.1 基于卷積神經網絡的圖像可疑區域定位

2.1.1 卷積神經網絡訓練

卷積神經網絡是一種多層前饋神經網絡，通過局部感受與采樣對圖像進行分類識別，因此卷積神經網絡模型構建中，直接將原始圖像數據輸入，無需考慮圖像的形狀、類型等問題，無需對圖像進行預處理[23-24].卷積神經網絡主要由輸入層、卷積層、激勵層、池化層和全連接層、輸出層等構成[25].其中，卷積層由多個特征圖構成，經過上層特征與卷積核處理，可獲取下層特征；激勵層主要通過對數據的非線性處理，完成圖像和數據空間的變換；池化層主要負責對圖像進行壓縮處理，避免卷積神經網絡運行中產生過量的數據，從而導致數據過擬合；全連接層能夠進行圖像或者數據的模式分類[26-27].

本文先對神經網絡進行訓練，利用訓練后的網絡模型進行醫療圖像特征提取.卷積神經網絡訓練是一個反向傳播過程，利用誤差函數進行反向傳播，對卷積神經網絡參數進行調整，直至達到最大迭代次數為止.誤差函數計算公式為：

利用誤差函數完成網絡反向傳播，自適應調整網絡參數，不斷迭代這一過程，直至收斂為止，完成卷積神經網絡訓練（注：卷積神經網絡不同層之間的大小存在差異，因此進行誤差傳遞時，需要進行上采樣，使前后兩層尺寸一致）.

2.1.2 醫療圖像區域相似度計算

本節利用訓練后的卷積神經網絡定位醫療圖像可疑區域，為減少卷積神經網絡的計算量，首先進行醫療圖像特征提取分析，再進行醫療圖像區域距離計算，尋找出相似度最小的區域，即可完成醫療圖像可疑區域定位.

掃描尺度為A×B 的目標區域醫療圖像，選取其中大小為e×e 的圖像塊U 為研究對象，建立圖像塊U 與實際醫療圖像的數據集，形成映射關系，利用映射函數f（U）對圖像塊進行提取，獲取目標研究對象在窗口范圍內的M 個特征[28-29].映射過程表達式為：

式中：RN表示實數向量.

映射得到的醫療圖像維數為：

式中：χ 表示維度向量.

映射得到的醫療圖像數據向量計算公式為：

式中：Vi（U）表示第i 個圖像特征.

以此類推，對醫療圖像的所有數據集進行卷積運算，可獲取維度為MW 的批量卷積，完成圖像特征提取.

醫療圖像特征提取結束后，在卷積神經網絡的全連接層進行醫療圖像區域相似度計算，根據醫療圖像區域分類結果，隨機選定某一固定區域作為參考區域，對其他區域進行編號，分別計算不同區域與參考區域之間的距離，參考區域定義為F，對象區域定義為Fi，區域距離可表示為：

式中：φ 表示權重向量.

將第2 節中分類得到的每個區域依次作為對象區域，按照公式（11）計算每個區域的區域距離，可得到多個結果，從中選取出距離最大的區域作為初始區域，計算初始區域與其鄰近區域之間的距離，如果距離大于設定的閾值（本文閾值取值為3.0），則合并這些區域生成新的區域，不斷重復這一過程，最終可定位得到相似度最小的區域，將其看作可疑區域.

2.2 基于多評價標準融合的可疑區域特征選擇

利用卷積神經網絡提取得到的醫療圖像特征，一般會具有一定的冗余性等問題[30-31]，即特征選擇不明確，易導致可疑區域定位結果產生誤差，為此，本文創新性地提出一種特征選擇方法，將其與卷積神經網絡結合，彌補卷積神經網絡存在的不足.本文基于多評價標準融合方法進行可疑區域特征選擇，具體過程如下：

首先選取卡方檢驗標準[32]、線性回歸權重標準[33]、AW-SVM（Absolute Weight of Support Vector Machine）標準[34]等3 種不同的評價標準，每一種評價標準對應一個特征序列，融合各序列生成最終的特征序列.特征序列融合過程中，假設有i 個特征選擇標準，I 為上限，j 個特征，J 為上限，依據特征選擇標準，采用投票方式對每一個特征進行票數統計并打分[35-36]，依據得分高低對特征進行排序，得分最高的特征為J，其次為J-1，以此類推，每個特征的最終得分計算公式為：

式中：S 表示每個特征的最終得分.

利用公式（12）計算得到的特征得分后，按高低順序依次排列，得到特征排名，實現多評價標準特征融合.

將融合計算得到的特征組合為特征子集，表示為Z，為選擇一個最佳的特征子集，需要對多個特征子集進行集成處理，再從中進行搜索，獲取最優特征子集[37]，具體步驟如下：

1）依據特征融合結果生成特征子集，對其進行初始化處理，表示為Z0；

2）根據公式（12）計算原始特征子集Zj的重要程度，依次對特征子集中的元素進行排名；

3）選取排名最差的特征，將其刪除，這時特征子集表示為Zj-1；

4）重復迭代上一步驟，直至特征子集中的元素數量降為最低；

5）輸出最終選擇得到的特征.

2.3 本文算法

在完成可疑區域特征選擇的基礎上，進行醫療圖像誤差預測.將選擇得到的特征區域作為目標區域，建立預測樣本與訓練樣本之間的多元線性回歸矩陣，實現醫療圖像誤差多元回歸預測.理論推導過程為：

將醫療圖像可疑區域特征選擇結果作為目標區域，隨機選取目標區域內的3 個特征像素點作為預測樣本，以這3 個像素為目標，依據同樣的預測樣本選取方式，獲取每個與特征像素點相連接的3 個像素點，共同作為訓練樣本.

假設fa，b代表預測目標像素，組成目標預測樣本集合，Y={y1，y2，y3，…，yn}，fa，b-1、fa-1，b-1、fa-1，b為與目標像素相連接的訓練樣本像素，組成訓練樣本集合X；建立目標預測樣本與訓練樣本之間的多元線性回歸矩陣，表示為：

式中：λi代表不同的多元線性回歸系數，σi代表不同的殘差值，是回歸計算中的隨機擾動項的近似替代值.

其中λi的計算公式為：

式中：T 為轉置符號.

5）將fa，b-1、fa-1，b-1、fa-1，b作為新的目標預測樣本，則可以獲取目標像素的預測值

6）比較原始目標預測樣本與新的樣本預測值，則可獲取醫療圖像誤差預測值，計算公式如下：

7）由于在實際條件下，線性回歸并不能很好地擬合誤差預測點，導致預測結果容易出現一定的偏差，為此，引入局部線性加權方法進行分析，在待預測區域附近給予每個預測點一定的權重，這時回歸系數構成的向量偏導數為：

式中：ψ 為權重矩陣.

計算過程中，使用高斯核[38]賦予每個預測點一定的權重，高斯核對應的權重為：

高斯核中只有一個待確定的參數?，參數? 的大小直接決定預測點的權重大小，由此可獲取較為準確的誤差預測值.目前常用的高斯核參數? 確定方法為交叉驗證法，但該方法無法應對大規模的數據樣本計算，因此本文采用核函數性質和幾何距離來確定參數?，無需求解核函數，就能很好地解決大量數據樣本下的計算.

綜上所述，可完成醫療圖像誤差預測算法.本文算法流程如圖2 所示.

圖2 醫療圖像誤差預測算法Fig.2 Error prediction algorithm of medical image

3 實驗結果與分析

3.1 實驗環境和數據集

本實驗操作中，實驗平臺為MATLAB R2015b，醫療圖像卷積神經網絡特征提取中，計算框架為MatConvNet，采用IPFS-Cluster 管理工具與醫院服務器相連接，進行醫療圖像數據管理.實驗數據包括訓練數據集和測試數據集，為最大程度保證有效提升特征表示能力，實驗數據統一采用TCGA（The Cancer Genome Atlas）數據庫中的乳腺癌圖像數據集.該數據庫包含36 種癌癥數據，每種癌癥都涉及多維的圖譜信息.為避免不同類別醫療圖像數據對實驗結果的干擾，本實驗選取其中的乳腺癌圖像數據集為測試集，每一圖像特征對應一個時間戳記錄.測試圖像種類50 種，圖像大小為512×512，特征選擇迭代次數為5 000 次，訓練數據集和測試數據集分別為1 000 萬和3 000 萬.

3.2 評估指標

選取以下實驗指標，對本文算法進行驗證分析，具體如下：

1）乳腺癌圖像可疑區域定位效果：給出真實的乳腺癌圖像，利用不同算法進行圖像可疑區域定位，與文獻[10]、文獻[11]、文獻[12]進行對比.

2）集成規則適應度：自適應多分類器構建中，選擇了5 種集成規則實現醫療圖像區域最優集成，對圖像區域分類性能具有直接的影響作用.為驗證本文醫療圖像分類結果精度，對集成規則適應度進行對比分析.

3）區域距離計算準確率：準確率這一指標能夠清晰的反映算法的性能，以區域距離計算準確率為指標，對本文算法與文獻[10]、文獻[11]、文獻[12]、文獻[13]和文獻[14]算法進行比較.以正文中公式（10）的區域距離計算結果Ji為數據依據，使用J 表示實際區域距離，獲取區域距離計算準確率公式如下：

4）特征選擇的AUC（Area Under Curve）值：ROC曲線為一種感受性曲線，用于選取最佳的數據值，ROC 曲線下與坐標軸圍成的面積稱為AUC（Area Under Curve）值[39-40].本組實驗在不同算法下，計算得出AUC 值，AUC 值的取值范圍通常為[0.5，1]，數值越大，表示特征選擇效果越好.AUC 值計算公式如下：

式中：predpos表示特征選擇的正樣本數量，即選擇得到的真實特征數量，predneg表示特征選擇的負樣本數量，即選擇得到的特征為非真實特征的數量，分母positiveNum·negativeNum 表示正負樣本總數量.

5）預測值與實際值擬合度：為驗證本文預測結果的可靠性，分析本文圖像誤差預測值與實際值的擬合度.擬合度計算公式如下：

式中：p 表示常數指數，取值大于0.

6）不同數據樣本下預測耗時：在實際應用中，目標研究區域存在數據量不一情況，以預測耗時為指標，分別在大數據樣本和小數據樣本條件下，對本文算法與文獻[13]、文獻[14]、文獻[15]、文獻[16]、文獻[17]算法進行比較.此處，大數據樣本是指本實驗選取的全部測試數據集，包含數據集3 000 萬，小數據樣本則是從中隨機選取一半的數據集，數量為1 500 萬.

3.3 實驗結果與討論

3.3.1 乳腺癌圖像可疑區域定位效果對比

以乳腺癌圖像為研究對象，利用不同算法進行圖像可疑區域定位，形成對比，結果如圖3 所示.

圖3 乳腺癌圖像可疑區域定位效果對比Fig.3 Comparison of suspicious area localization in breast cancer images

根據圖3 分析利用計算機模擬得出可疑區域定位準確率數值，用表1 表示.

表1 可疑區域定位準確率Tab.1 Location accuracy for suspicious areas

根據圖3 和表1 可以明顯看出，本文算法獲取的圖像可疑區域定位結果與原始圖像基本一致，文獻[10]、文獻[11]、文獻[12]算法雖然定位得到了可疑區域，但定位得到的區域過多，結果不夠精準，準確率較低，且增加了后續圖像誤差預測計算復雜度.由此可以直觀的看出，本文算法具有良好的圖像可疑區域定位效果，為圖像誤差預測奠定了良好的基礎.

3.3.2 集成規則適應度對比

本文對醫療圖像區域分類中，集成規則是重要因素，在不同測試數據采樣方式下，對本文算法與文獻[10]、文獻[11]、文獻[12]、文獻[13]和文獻[14]算法的集成規則適應度進行對比，結果如表2 所示.

表2 集成規則適應度對比結果Tab.2 Comparison of fitness results of integration rules（%）

分析表2 可知，測試數據采樣方式的不同，對文獻算法均會產生一定的影響，將采樣方式由均勻采樣變換為非均勻采樣后，文獻[10]、文獻[11]、文獻[12]、文獻[13]和文獻[14]算法的集成規則適應度均出現了降低，而本文算法的集成規則適應度仍舊為92%，不受采樣方式影響，且本文算法的集成規則適應度最高，表明本文構建的自適應多分類器性能較好，能夠很好地完成醫療圖像區域分類.主要是因為本文選取了5 種分類器，對每種分類器給予一定的分類權重，構造出了一種更為全面的的集成規則，有效提高了集成規則的適應度.

3.3.3 區域距離計算準確率對比

本文算法與文獻[10]、文獻[11]、文獻[12]、文獻[13]和文獻[14]算法的區域距離計算準確率對比結果如圖4 所示.

圖4 區域距離計算準確率對比Fig.4 Comparison of regional distance calculation accuracy

分析圖4 可以看出，隨著數據量的增大，不同算法的區域距離計算準確率呈現不同的波動趨勢，文獻[11]算法的區域距離計算準確率始終處于下降趨勢，文獻[10]、文獻[12]、文獻[13]和文獻[14]算法的準確率變化中，既有上升趨勢，也會出現下降趨勢，但這5 種文獻方法的最高區域距離計算準確率不超過60%，而本文算法的最低區域距離計算準確率為60%，且變化曲線始終呈現上升趨勢，在數據量為3 000 萬個時，準確率高達95%左右.根據上述數據分析可以看出，本文利用卷積神經網絡能夠很好地完成醫療圖像區域距離計算，效果較好.究其原因，是因為本文首先對卷積神經網絡進行了訓練，利用訓練后的神經網絡提取圖像特征，以提取得到的特征為基礎計算區域距離，由此增加了區域距離計算準確率，為可疑區域定位結果提供了保障.

3.3.4 特征選擇的AUC 值對比

利用本文算法與文獻[10]、文獻[11]、文獻[12]、文獻[13]算法、文獻[14]算法，分別繪制特征選擇的AUC 值曲線，如圖5 所示.

根據圖5 得到的AUC 值可知，在數據量為500萬時，文獻[10]算法的特征選擇AUC 值為0.56，文獻[11]算法的特征選擇AUC 值為0.71，文獻[12]算法為0.66，文獻[13]算法為0.68，文獻[14]算法為0.69，本文算法的特征選擇AUC 值為0.80，遠高于其他文獻方法.在數據量為3 000 萬時，本文算法的特征選擇AUC 值最大，為0.84，其次為文獻[11]和文獻[14]算法，最高為0.83.通過圖5 可以顯著的看出，本文算法特征選擇結果較好，主要是因為本文采用了多評價標準融合的方式，從多個特征子集中搜索得出最優特征子集，大大提高了算法的特征選擇性能.

圖5 不同算法的特征選擇AUC 值Fig.5 Features of different algorithms select AUC values

3.3.5 預測值與實際值擬合度對比

對本文算法獲取的預測值與實際值的擬合度進行分析，將其與文獻[10]、文獻[11]和文獻[12]算法對比，結果如圖6 所示.

圖6 預測值與實際值擬合度分析Fig.6 Analysis of the fitted value of predicted and actual values

根據圖6 顯示結果可知，本文算法得到的預測值緊緊圍繞實際值組成的直線，趨勢一致，分布在實際值兩側，與實際值的擬合度較高，表明利用本文方法獲取得到的誤差預測值結果較為準確.文獻[10]算法得到的預測值雖然也分布在實際值直線兩側，但與實際值的距離較遠.文獻[11]算法的預測值全部分布在實際值下側，文獻[12]算法的預測值全部分布在實際值上側，且這兩種算法的預測值與實際值直線相距較遠，擬合度較低.根據上述分析結果可知，本文預測算法具有一定的優勢，主要是因為本文設置了預測樣本與訓練樣本，構建了兩個樣本之間的多元線性回歸矩陣，利用多元線性回歸方法完成了醫療圖像誤差預測，預測結果準確率較高，擬合度較好.

3.3.6 不同數據樣本下預測耗時對比

在大數據樣本和小數據樣本條件下，對比本文算法與文獻[10]、文獻[11]、文獻[12]、文獻[13]、文獻[14]算法的預測耗時，結果如表3 所示.

表3 預測耗時對比Tab.3 Prediction time comparison

根據表3 分析結果可知，在大數據樣本條件下，文獻[10]、文獻[11]、文獻[12]、文獻[13]、文獻[14]算法的預測耗時較多，在21～32 s 之間，小數據樣本條件下，這些文獻算法的最高預測耗時為23 s，表明數據樣本的分布情況會對文獻算法產生直接的影響，增加計算耗時.但本文算法基本不受數據樣本條件的影響，在大數據樣本條件下平均耗時為8 s，在小數據樣本條件下平均耗時為7 s，遠遠低于文獻算法.究其原因，在于本文運用卷積神經網絡和特征選擇結合的方式進行誤差預測，排除冗余數據造成的影響，大大降低了數據計算量，節約了預測耗時.

4 結論

從醫療圖像中準確獲取重要的信息，是有效完成計算機輔助疾病診斷的基礎，但采集得到的醫療圖像通常會存在一定的誤差，因此，對醫療圖像誤差預測具有非常重要的研究價值.但目前存在的誤差預測方法存在不足，未能獲取很好的預測效果，為此，本文提出基于卷積神經網絡與特征選擇的醫療圖像誤差預測算法，采用多元線性回歸方法實現醫療圖像誤差預測.為驗證本文算法的性能，在多個測試指標以及多種數據條件下展開實驗，結果表明，本文所提算法在區域分類、圖像特征選擇、預測結果擬合度以及預測耗時方面均優于傳統算法，能夠快速、準確的實現醫療圖像誤差預測.

然而，本研究結果仍舊有待進一步的補充與改善，面對日益復雜的醫療圖像問題，在未來的研究工作中，需要結合醫療圖像實際需求進行研究.此外，本文對于卷積神經網絡模型僅進行了簡單的訓練，分析深度不足，未能充分利用卷積神經網絡的優勢，下一步研究中，將不斷改進卷積神經網絡模型，使其無需借助其他方法的輔助，能夠更加便捷的應用于醫療領域，獲取更好的成果.