CNN是一種用於處理圖像數據的深度學習模型，能用於圖像辨識、分類和提取特徵等。應用於醫療中可以幫助分析醫學影像並檢測腫瘤、病變區域等。
CNN的基本結構包含以下幾層：
卷積層（Convolutional Layer）
在卷積層中，會利用一個小型矩陣，稱為卷積核 （Kernel），以滑動窗口的方式掃描整張圖像，在掃描時卷積核會提取該區域的特徵。
激活函數層（Activation Layer）
通常在卷積層之後，會使用非線性函數運算卷積層輸出，常見的函數為ReLU （Rectified Linear Unit, f(x)=max(0, x)）。引入非線性能使CNN應付更複雜的模式和提升學習的能力。
池化層（Pooling Layer）
池化層的主要作用為對卷積層的輸出進行降維。降維的方式可能為取最大或是平均值，這能降低後續的運算量同時只保留最關鍵的訊息。
全連接層（Fully Connected Layer）
最後的全連接層則負責將前面提取出的特徵轉換為分類結果，以圖像分類為例，全連接層會計算出該圖像屬於某分類的概率，並給出最終的預測結果。
