推荐星级:
  • 1
  • 2
  • 3
  • 4
  • 5

医学图像分析深度学习方法研究与挑战

更新时间:2019-12-25 13:34:30 大小:862K 上传用户:守着阳光1985查看TA发布的资源 标签:医学图像分析深度学习 下载积分:1分 评价赚积分 (如何评价?) 收藏 评论(0) 举报

资料介绍

深度学习(Deep learning,DL),特别是深度卷积神经网络(Convolutional neural networks,CNNs),能够从医学图像大数据中自动学习提取隐含的疾病诊断特征,近几年已迅速成为医学图像分析研究热点.本文首先简述医学图像分析特点;其次,论述深度学习基本原理,总结深度CNNs在医学图像分析中的分类、分割框架;然后,分别论述深度学习在医学图像分类、检测、分割等各应用领域的国内外研究现状;最后,探讨归纳医学图像分析深度学习方法挑战及其主要应对策略和开放的研究方向.


部分文件列表

文件名 大小
医学图像分析深度学习方法研究与挑战.pdf 862K

部分页面预览

(完整内容请下载后查看)
44 卷 第 3 期  
2018 3 月  
Vol. 44, No. 3  
March, 2018  
ACTA AUTOMATICA SINICA  
医学图像分析深度学习方法研究与挑战  
鞠忠建 3  
2
2
田娟秀 1  
刘国才 1  
谷珊珊 3  
刘劲光 1  
顾冬冬 1  
深度学习 (Deep learning, DL), 特别是深度卷积神经网络 (Convolutional neural networks, CNNs), 能够从医学图  
像大数据中自动学习提取隐含的疾病诊断特征, 近几年已迅速成为医学图像分析研究热点. 本文首先简述医学图像分析特点;  
其次, 论述深度学习基本原理, 总结深度 CNNs 在医学图像分析中的分类割框架; 然后, 分别论述深度学习在医学图像分  
割等各应用领域的国内外研究现状; 最后, 探讨归纳医学图像分析深度学习方法挑战及其主要应对策略和开放的  
研究方向.  
关键词 深度学习, 医学图像分析, 卷积神经网络, 图像分类, 图像分割  
引用格式 田娟秀, 刘国才, 谷珊珊, 鞠忠建, 刘劲光, 顾冬冬. 医学图像分析深度学习方法研究与挑战. 自动化学报, 2018,  
44(3): 401424  
DOI 10.16383/j.aas.2018.c170153  
Deep Learning in Medical Image Analysis and Its Challenges  
2
2
TIAN Juan-Xiu1  
LIU Guo-Cai1 GU Shan-Shan3 JU Zhong-Jian3 LIU Jin-Guang1  
GU Dong-Dong1  
Abstract Deep learning (DL) algorithms, such as convolutional neural networks (CNNs), can automatically extract  
hidden disease diagnosis features from medical image data, and are being used to analyze medical images now. We  
review most of the deep learning methods for medical image analysis. Firstly, we introduce the characteristics of medical  
image analysis briefly. Then, we analyze the principles of deep learning, highlight the popular CNNs and summarize  
the frameworks of image classification and segmentation. Thirdly, we describe the state-of-the-art of the medical image  
analysis methods based on deep learning. Finally, we discuss the challenges and practicable strategies in deep learning for  
medical image analysis, as well as open research.  
Key words Deep learning (DL), medical image analysis, convolutional neural networks (CNNs), image classification,  
image segmentation  
Citation Tian Juan-Xiu, Liu Guo-Cai, Gu Shan-Shan, Ju Zhong-Jian, Liu Jin-Guang, Gu Dong-Dong. Deep learning  
in medical image analysis and its challenges. Acta Automatica Sinica, 2018, 44(3): 401424  
生物医学影像已成为疾病诊断和治疗中不可或  
缺的组成部分 且日益重要 核磁共振成像  
电子发射断层扫  
图像大数据 为临床医学中各种重大疾病的筛查诊  
疗计划疗图像引导效评估和随访提供  
科学方法和先进技术 是当前医学图像分析领域急  
需解决的重大科学问题和前沿医学影像关键技术[1]  
医学图像分析最初主要采用边缘检测理特  
态学滤波以及构建形状模型和模板匹配等方  
法 这类分析方法通常针对特定任务而设计 被称为  
手工定制式设计方法 机器学习以数据驱动方式分  
析任务 能自动地从特定问题的大规模数据集中学  
习相关模型特征和数据特性 与针对特定问题而显  
式地手工设计模型不同 机器学习方法可直接从数  
据样本中隐式地自动学习医学图像特征 其学习过  
程本质上是一个优化问题的求解过程 通过学习 模  
型从训练数据中选择正确的特征 使分类器在测试  
新数据时做出正确决策 因此 机器学习在医学图像  
分析中起着至关重要的作用 已经成为最有前途的  
研究领域[2]  
算机  
形束  
断层扫描  
超声成像等医学影像技术目前已广泛应用  
于临床检查疗与决策 如何充分利用人  
工智能深度学习方法分析处理这些超大规模的医学  
收稿日期 2017-03-21 录用日期 2017-10-30  
Manuscript received March 21, 2017; accepted October 30, 2017  
国家自然科学基金 (61671204, 61271382, 61301254, 61471166), 湖  
南省科技计划重点研发专项基金 (2016WK2001) 资助  
Supported by National Natural Science Foundation of China  
(61671204, 61271382, 61301254, 61471166), Key Research and  
Development Program of Hunan Province (2016WK2001)  
本文责任编委 桑农  
Recommended by Associate Editor SANG Nong  
1. 湖南大学电气与信息工程学院 长沙 410082  
2. 湖南工程学院  
计算机与通信学院 湘潭 411104  
100853  
3. 北京解放军总医院放疗科 北京  
1. College of Electrical and Information Engineering, Hu-  
nan University, Changsha 410082 2. College of Computer  
and Communication, Hunan Institute of Engineering, Xiangtan  
411104 3. Departments of Radiation Oncology, Chinese PLA  
General Hospital, Beijing 100853  
深度学习  
习方法 源于人工神经网络的研究 其动机在于建  
立模拟人脑分析理解数据的神经网络 年 霍  
是一种机器学  
402  
44 卷  
普金斯大学  
等通过观察猫的脑部视觉中枢对  
上公布了自己的研究成果 通过深度神经网络与强  
化学习等方法的结合 计算机能够通过自学成为游  
戏高手 在一系列复杂任务中的性能表现与人类相  
视网膜感知图像的处理方式发现 视神经元对信息  
处理的方式是分工分层的 不同神经元关注的对象  
特征不同 每一层神经元抽象出对象的部分特征进  
行处理 所有信息经过逐层激发 在中枢最高层激发  
出整个对象认知 这一发现给从事神经网络研究的  
[16]  
程序以 ∶ 击败韩国围棋冠军李世石 成为近年来  
人工智能领域新的里程碑  
在中国以 ∶ 击败世界围棋冠军柯洁 再次证明  
了其强大的学习策能力  
队自 年起关注医疗领域 试图将人工智能技  
术应用于医疗行业 开发了名为  
开发的  
计算机专家提供了重要的建模思路[3]  
世纪  
年代 神经网络技术进一步发展 通过在只有输入层  
和输出层的网络结构中添加中间隐层 使神经网络  
可以解决更加复杂的分类问题[4] 但层数的增加为  
各层的神经节点之间的连接权重选取带来困难 反  
的软件 帮助临床医生更快地查看医疗结  
果 只需几秒钟时间就能查看急性肾脏损伤风险病  
人的验血结果 优化病人的治疗方案[17]  
向传播算法  
程度上解决了权重选取问题[5]  
的出现在一定  
等在  
年将  
用以识别手写的邮政编码[6] 随着层次的加深 多  
层网络会出现梯度消失问题 导致 算法无法有  
效调整神经元连接之间的权重 学习时间过长  
时 由于计算能力这一根本性限制 神经网络研究一  
直未能在应用领域取得实质性突破 直到  
算法应用到前馈多层神经网络学习过程  
近年来 深度学习不断取得重大进展 主要得益  
于不断提高的计算能力和持续增长的可用数据量  
以及深度学习模型及其算法的不断改进 其实质是  
通过构建多隐层的机器学习模型 利用海量的样本  
数据训练 学习更精准的特征 最终提高分类或预测  
的准确性[18] 深度学习这种从数据中学习层次特征  
的特点 使得它非常适合发现高维数据中的复杂结  
前后  
团队在深度前馈网络中采取无标注的  
数据集进行网络预训练 解决了  
算法梯度消失  
[19] 已经应用到语音识别[13]然语言处理[20]  
人脸识别[15 21]标检测[22] 等领域和各种挑战赛  
[2325] 取得了破纪录的好成绩 有关深度学习  
的更详细发展历程和非医学图像分析领域的应用进  
问题 他们先采用非监督贪心逐层训练方法 有效  
降低了观察对象的维度 然后用监督训练微调所有  
网络参数 这一算法为解决深层结构相关优化难题  
带来了希望 在图像目标识别等分类预测方面取得  
展 读者可参阅  
[19]  
年由  
撰写的综述[26]  
等联名撰写的综  
了突破性进展[78]  
等提出的卷积神经网络  
利用空间  
撰写的专著[27] 以及最近发表的中文综述[2830]  
相对关系减少参数数目以提高训练性能 是第一个  
真正多层结构学习算法[9]  
深度学习在计算机视觉领域的巨大成功 激发  
了国内外许多学者将其应用于医疗图像分析 哈佛  
等提出的长短时  
记忆神经网络  
大学医学院  
教授在其综述中指出应用深度学  
也在图像手写字识别和语音识别方面取得了突破性  
进展[1012]  
习解决医学图像分析任务是本领域的发展趋势[31]  
年来 已有多位专家对深度学习在医学图像  
分析中的研究现状及问题进行了总结述和讨  
年以来 深度学习在多个领域取得了  
重要突破 在语音识别方面 微软研究人员通过与  
等合作 首先将受限玻尔兹曼机  
[3236] 最近  
上发表的  
综述对深度学习在医学图像分类测和分割准  
和检索等方面的研究进行了较全面的归纳总结[37]  
和深度信念网络  
引入到语音识别模型训练中  
本文根据我们课题组近 年来收集理的文  
献资料和国家自然科学基金项目研究工作 聚焦于  
综述深度学习在医学图像分析应用领域的研究现  
状和挑战 首先 简述医学图像分析特点 其次 论  
述深度学习方法自动提取多层次特征的基本原理  
然后 重点论述计算机视觉和医学图像分析中深度  
分类割框架 系统梳理深度学习在医学图  
像分析各个应用领域的国内外研究现状 最后 总结  
深度学习方法应用于医学图像分析时面临的挑战与  
应对策略 而且对开放的医学图像分析深度学习研  
究方向进行展望  
在大词汇量语音识别系统中获得了巨大成功 使语  
音识别错误率相对之前降低  
微软展示了一个全自动的同声传译系统 其支撑的  
关键技术就是深度学习[13] 在图像分类方面 微软  
亚洲研究院  
[14] 提出了残差学习框架 其最重  
要的突破在于重构了学习过程 重定向了深层神经  
网络信息流 从而很好地解决了此前深层神经网络  
层数与准确度之间的矛盾 在人脸识别领域 香港  
中文大学  
测试基准  
[15]  
及其研究团队研发的  
在使用  
的人脸识别  
团队《 》志  
数据库上获得  

全部评论(0)

暂无评论