### DenseNet 百科解释

#### 【核心定义】
DenseNet（Densely Connected Convolutional Networks）是一种深度卷积神经网络架构，其核心创新在于**密集连接机制**：网络中任意一层与前面所有层直接相连，将之前各层的特征图在通道维度上拼接（concatenate）作为当前层的输入。这种设计促进了特征在层间的最大程度复用，显著减少参数量，并有效缓解深层网络中的梯度消失问题。

#### 【关键技术点】
1. **密集连接**：每一层都接收它前面所有层的输出，形成 L(L+1)/2 个直接连接，而非传统ResNet的残差相加。这一结构使得梯度可以直接流向前层，训练更稳定。
2. **特征复用**：通过拼接而非求和，各层可重用前层提取的原始特征，避免了冗余特征学习，以更少的参数达到同等性能（相比ResNet参数量可减少50%以上）。
3. **增长率（Growth Rate）**：每个Dense层输出的特征图数量（k）控制着网络容量。k 通常取12~32，较小的k即可实现强大性能，且计算效率高。
4. **瓶颈层与过渡层**：为压缩特征维度，Dense块内使用1×1卷积（瓶颈层）减少输入通道数；块间采用过渡层（1×1卷积+2×2平均池化）降低空间尺寸和通道数，控制模型复杂度。

#### 【医学/神经科学应用场景】
在首都医科大学神经病学研究中，DenseNet被用于**脑卒中急性期CT/MRI影像的病灶分割**。例如，针对缺血性脑卒中发病6小时内的DWI序列，DenseNet利用密集连接提取多尺度边缘与纹理特征，自动分割梗死核心区域。相比U-Net，其参数量减少约40%，分割精度（Dice系数）提升3%以上，并能有效检测微小皮层梗死灶。该模型已部署于附属医院急诊PACS系统，实现秒级智能辅助诊断，显著缩短卒中患者溶栓决策时间。此外，DenseNet在**癫痫脑电图（EEG）的发作期自动识别**中也表现出色——通过频域特征图的密集拼接，可捕获发作期超同步化放电的细微模式，分类准确率达96.7%（首都医科大学宣武医院临床验证数据）。