摘要：為提高醫(yī)學(xué)影像的識別準確率和效率,減少人為主觀因素造成的誤差,采用深度學(xué)習(xí)的方法自動識別正常肝與肝硬化影像,并針對傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜,訓(xùn)練參數(shù)多和效率低等問題,使用基于卷積神經(jīng)網(wǎng)絡(luò)中的一種輕量級模型結(jié)構(gòu)SqueezeNet;并利用遷移學(xué)習(xí)的方法,通過預(yù)訓(xùn)練和微調(diào)參數(shù),可以避免數(shù)量集過少時而產(chǎn)生的過擬合題,并且實驗結(jié)果取得了較好的分類效果;首次提出使用遷移學(xué)習(xí)后的輕量級卷積神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)的模式識別算法支持向量機相結(jié)合,實現(xiàn)對醫(yī)學(xué)圖像的分類,最終實驗準確率進一步提高。