影像组学中常用的深度学习特征提取算法主要包括卷积神经网络（CNN）的各种变体。这些算法已经在多个领域取得了显著的成果，特别是在医学影像分析中。以下是一些常用的深度学习特征提取算法： LeNet-5：是一种早期的卷积神经网络，由Yann LeCun等人在1998年提出，主要用于手写数字识别。虽然现在已经有了更先进的方法，但LeNet-5为深度学习的发展奠定了基础。 AlexNet：由Alex Krizhevsky等人在2012年提出，是一种深层卷积神经网络。AlexNet在当时的ImageNet图像分类竞赛中取得了突破性的成果，极大地推动了深度学习的发展。 VGGNet：由牛津大学视觉几何组（VGG）的研究人员在2014年提出。VGGNet的特点是网络结构更深，但卷积层的设计相对简单，使用多个连续的小卷积核（3×3）来替代大卷积核。VGGNet在许多医学影像任务中表现出良好的性能。 Inception（GoogLeNet）：由Google的研究人员在2014年提出，其主要特点是引入了Inception模块，将不同尺度的卷积和池化操作组合在一起，提高了网络的表达能力。Inception网络在医学影像分析中也取得了很好的成果。 ResNet（残差网络）：由微软研究院的研究人员在2015年提出，通过引入残差连接（skip connections）解决了深度网络中的梯度消失问题。ResNet可以训练非常深的网络，其性能在许多医学影像任务中表现优异。 U-Net：由Olaf Ronneberger等人在2015年提出，是一种专为分割任务设计的卷积神经网络。U-Net的结构呈U型，包含一个编码器和一个解码器，适用于医学影像分割任务，例如器官分割、肿瘤分割等。 DenseNet：由Gao Huang等人在2016年提出，与ResNet类似，DenseNet通过密集连接（dense connections）实现了更深的网络结构。DenseNet在医学影像任务中也表现出了优异的性能。

【影像组学入门百问】#90-常用的影像组学深度（学习）特征提取算法有哪些？

admin

影像组学中常用的深度学习特征提取算法主要包括卷积神经网络（CNN）的各种变体。这些算法已经在多个领域取得了显著的成果，特别是在医学影像分析中。以下是一些常用的深度学习特征提取算法：

LeNet-5：是一种早期的卷积神经网络，由Yann LeCun等人在1998年提出，主要用于手写数字识别。虽然现在已经有了更先进的方法，但LeNet-5为深度学习的发展奠定了基础。
AlexNet：由Alex Krizhevsky等人在2012年提出，是一种深层卷积神经网络。AlexNet在当时的ImageNet图像分类竞赛中取得了突破性的成果，极大地推动了深度学习的发展。
VGGNet：由牛津大学视觉几何组（VGG）的研究人员在2014年提出。VGGNet的特点是网络结构更深，但卷积层的设计相对简单，使用多个连续的小卷积核（3×3）来替代大卷积核。VGGNet在许多医学影像任务中表现出良好的性能。
Inception（GoogLeNet）：由Google的研究人员在2014年提出，其主要特点是引入了Inception模块，将不同尺度的卷积和池化操作组合在一起，提高了网络的表达能力。Inception网络在医学影像分析中也取得了很好的成果。
ResNet（残差网络）：由微软研究院的研究人员在2015年提出，通过引入残差连接（skip connections）解决了深度网络中的梯度消失问题。ResNet可以训练非常深的网络，其性能在许多医学影像任务中表现优异。
U-Net：由Olaf Ronneberger等人在2015年提出，是一种专为分割任务设计的卷积神经网络。U-Net的结构呈U型，包含一个编码器和一个解码器，适用于医学影像分割任务，例如器官分割、肿瘤分割等。
DenseNet：由Gao Huang等人在2016年提出，与ResNet类似，DenseNet通过密集连接（dense connections）实现了更深的网络结构。DenseNet在医学影像任务中也表现出了优异的性能。