查看“CNN”的源代码

<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;">

    <div style="margin-bottom: 30px; border-bottom: 1.2px solid #e2e8f0; padding-bottom: 25px;">
        <p style="font-size: 1.1em; margin: 10px 0; color: #334155; text-align: justify;">
            <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>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>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。

[Image of CNN architecture diagram]

        </p>
    </div>

    <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;">
        
        <div style="padding: 15px; color: #1e40af; background: linear-gradient(135deg, #e0f2fe 0%, #bae6fd 100%); text-align: center; cursor: pointer;">
            <div style="font-size: 1.2em; font-weight: bold; letter-spacing: 1.2px;">CNN</div>
            <div style="font-size: 0.7em; opacity: 0.85; margin-top: 4px; white-space: nowrap;">The Eye of AI (点击展开)</div>
        </div>
        
        <div class="mw-collapsible-content">
            <div style="padding: 25px; text-align: center; background-color: #f8fafc;">
                 
                <div style="font-size: 0.8em; color: #64748b; margin-top: 12px; font-weight: 600;">计算机视觉的基石</div>
            </div>

            <table style="width: 100%; border-spacing: 0; border-collapse: collapse; font-size: 0.85em;">
                <tr>
                    <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>
                </tr>
                <tr>
                    <th style="text-align: left; padding: 6px 12px; background-color: #f8fafc; color: #475569; border-bottom: 1px solid #e2e8f0; width: 40%;">全称</th>
                    <td style="padding: 6px 12px; border-bottom: 1px solid #e2e8f0; color: #0f172a;">Convolutional Neural Network</td>
                </tr>
                <tr>
                    <th style="text-align: left; padding: 6px 12px; background-color: #f8fafc; color: #475569; border-bottom: 1px solid #e2e8f0;">核心组件</th>
                    <td style="padding: 6px 12px; border-bottom: 1px solid #e2e8f0; color: #1e40af;">卷积层, 池化层, 激活函数</td>
                </tr>
                <tr>
                    <th style="text-align: left; padding: 6px 12px; background-color: #f8fafc; color: #475569; border-bottom: 1px solid #e2e8f0;">数学基础</th>
                    <td style="padding: 6px 12px; border-bottom: 1px solid #e2e8f0; color: #0f172a;">线性代数 (矩阵运算)</td>
                </tr>
                <tr>
                    <th style="text-align: left; padding: 6px 12px; background-color: #f8fafc; color: #475569; border-bottom: 1px solid #e2e8f0;">关键特性</th>
                    <td style="padding: 6px 12px; border-bottom: 1px solid #e2e8f0; color: #16a34a;">平移不变性, 局部连接</td>
                </tr>
                <tr>
                    <th style="text-align: left; padding: 6px 12px; background-color: #f8fafc; color: #475569; border-bottom: 1px solid #e2e8f0;">经典模型</th>
                    <td style="padding: 6px 12px; border-bottom: 1px solid #e2e8f0; color: #0f172a;">ResNet, U-Net (医学常用)</td>
                </tr>
                
                <tr>
                    <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>
                </tr>
                <tr>
                    <th style="text-align: left; padding: 6px 12px; background-color: #f8fafc; color: #475569; border-bottom: 1px solid #e2e8f0;">图像分类</th>
                    <td style="padding: 6px 12px; border-bottom: 1px solid #e2e8f0; color: #0f172a;">判断良恶性 (如皮肤癌)</td>
                </tr>
                <tr>
                    <th style="text-align: left; padding: 6px 12px; background-color: #f8fafc; color: #475569; border-bottom: 1px solid #e2e8f0;">目标检测</th>
                    <td style="padding: 6px 12px; border-bottom: 1px solid #e2e8f0; color: #1e40af;">框出病灶 (如肺结节)</td>
                </tr>
                <tr>
                    <th style="text-align: left; padding: 6px 12px; background-color: #f8fafc; color: #475569; border-bottom: 1px solid #e2e8f0;">图像分割</th>
                    <td style="padding: 6px 12px; border-bottom: 1px solid #e2e8f0; color: #e11d48;">勾画器官/肿瘤边界 (U-Net)</td>
                </tr>
                 <tr>
                    <th style="text-align: left; padding: 6px 12px; background-color: #f8fafc; color: #475569;">数据格式</th>
                    <td style="padding: 6px 12px; color: #16a34a;">DICOM (2D/3D)</td>
                </tr>
            </table>
        </div>
    </div>

    <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>
    <p style="margin: 15px 0; text-align: justify;">
        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：
    </p>
    <div style="overflow-x: auto; margin: 20px auto;">
        <table style="width: 100%; border-collapse: collapse; border: 1.2px solid #cbd5e1; font-size: 0.9em; text-align: left;">
            <tr style="background-color: #f1f5f9; border-bottom: 2px solid #0f172a;">
                <th style="padding: 12px; border: 1px solid #cbd5e1; color: #0f172a; width: 20%;">操作层</th>
                <th style="padding: 12px; border: 1px solid #cbd5e1; color: #1e40af; width: 30%;">形象比喻</th>
                <th style="padding: 12px; border: 1px solid #cbd5e1; color: #475569; width: 50%;">功能原理</th>
            </tr>
            <tr>
                <td style="padding: 10px; border: 1px solid #cbd5e1; font-weight: 600;">卷积层<br>(Convolution)</td>
                <td style="padding: 10px; border: 1px solid #cbd5e1;"><strong>提取特征的“滤镜”</strong></td>
                <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>• 浅层卷积：识别边缘、线条、颜色。
                <br>• 深层卷积：识别眼睛、纹理、结节形状。</td>
            </tr>
            <tr>
                <td style="padding: 10px; border: 1px solid #cbd5e1; font-weight: 600;">激活层<br>(ReLU)</td>
                <td style="padding: 10px; border: 1px solid #cbd5e1;"><strong>神经元的“开关”</strong></td>
                <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>
            </tr>
            <tr>
                <td style="padding: 10px; border: 1px solid #cbd5e1; font-weight: 600;">池化层<br>(Pooling)</td>
                <td style="padding: 10px; border: 1px solid #cbd5e1;"><strong>信息的“浓缩”</strong></td>
                <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>
            </tr>
        </table>
    </div>

    <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>
    <p style="margin: 15px 0; text-align: justify;">
        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。
    </p>
    <div style="background-color: #f0f9ff; border-left: 5px solid #1e40af; padding: 15px 20px; margin: 20px 0; border-radius: 4px;">
        <ul style="margin: 0; padding-left: 20px; color: #334155;">
            <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>
            <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>
            <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>
        </ul>
    </div>

    <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;">
        <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>
        
        <p style="margin: 12px 0; border-bottom: 1px solid #e2e8f0; padding-bottom: 10px;">
            <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。
        </p>

        <p style="margin: 12px 0; border-bottom: 1px solid #e2e8f0; padding-bottom: 10px;">
            <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）。
        </p>

        <p style="margin: 12px 0;">
            <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）。
        </p>
    </div>

    <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;">
        <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>
        
        <p style="margin: 12px 0; border-bottom: 1px solid #e2e8f0; padding-bottom: 10px;">
            [1] <strong>LeCun Y, et al. (1998).</strong> <em>Gradient-based learning applied to document recognition.</em> <strong>[[Proceedings of the IEEE]]</strong>. <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>
        </p>

        <p style="margin: 12px 0; border-bottom: 1px solid #e2e8f0; padding-bottom: 10px;">
            [2] <strong>Ronneberger O, et al. (2015).</strong> <em>U-Net: Convolutional Networks for Biomedical Image Segmentation.</em> <strong>[[MICCAI]]</strong>. <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>
        </p>
    </div>

    <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;">
        <div style="background-color: #eff6ff; color: #1e40af; padding: 8px 15px; font-weight: bold; text-align: center; border-bottom: 1px solid #dbeafe;">
            人工智能 · 知识图谱
        </div>
        <table style="width: 100%; border-collapse: collapse; background-color: #ffffff;">
            <tr style="border-bottom: 1px solid #f1f5f9;">
                <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>
                <td style="padding: 10px 15px; color: #334155;">[[深度学习]] (Deep Learning)</td>
            </tr>
            <tr style="border-bottom: 1px solid #f1f5f9;">
                <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>
                <td style="padding: 10px 15px; color: #334155;">[[计算机视觉]] (CV) • [[医学影像分析]]</td>
            </tr>
            <tr>
                <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>
                <td style="padding: 10px 15px; color: #334155;">[[U-Net]] • [[ResNet]] • [[Transformer]] (ViT)</td>
            </tr>
        </table>
    </div>

</div>